Artificial Intelligence Ontdekt Voordien Ongedetecteerde Historische Klimaatextremen

Vergelijking van de omvang van een extreme koudegolf in Europa in 1929. Links: eerder bekende temperatuurindex uit de HadEX-dataset; Midden: Gegevens over de koudegolf zonder invullingstechnieken om gaten te dekken; Rechts: De CRAI-reconstructie van dit artikel van het koudevenement, met een hogere resolutie in zowel ruimte als temperatuur.

Er zijn wereldwijd meer dan 30.000 weerstations die temperatuur, neerslag en andere indicatoren vaak dagelijks meten. Dit levert een enorme hoeveelheid gegevens op voor klimaatonderzoekers om te compileren en te analyseren, waarmee de maandelijkse en jaarlijkse globale en regionale temperaturen (vooral) in het nieuws komen.

Nu hebben onderzoekers kunstmatige intelligentie (AI) toegepast op deze datasets om temperatuurextremen in Europa te analyseren. Ze vonden een uitstekende overeenstemming met bestaande resultaten die traditionele methoden gebruikten en ontdekten ook klimaatextremen die eerder niet bekend waren. Hun werk is gepubliceerd in Nature Communications.

Met de snel veranderende wereldklimaat is het belangrijk om te weten hoe temperatuur- en neerslagextremen veranderen, zodat planners zich kunnen aanpassen aan de huidige en toekomstige extremen. In sommige regio’s regent het zwaarder, nu “ver buiten het historische klimaat”, volgens een artikel uit 2021 in Nature. Hitte-extremen zijn ook toegenomen; meer dan 30% van het wereldwijde landoppervlak ervaart nu maandtemperaturen boven het twee-sigma statistische niveau in enig jaar, vergeleken met ongeveer 1% in 1950.

Een significant probleem bij de analyse van historische temperatuurgemiddelden is het gebrek aan gegevens voor sommige weerstations, vooral in de eerste helft van de vorige eeuw. Een bemand weerstation kan jarenlang onopgemerkt zijn gebleven als het beschadigd was, als de beheerder verhuisde of overleed, als het station stopte en niet onmiddellijk werd vervangen, of misschien nooit werd vervangen. Nieuwe stationtechnologieën moeten worden gecorreleerd met eerdere instrumenten, en grote gebieden in Afrika en de polen bieden weinig informatie, zo niet helemaal geen.

Klimaatonderzoekers hebben veel tijd besteed aan het omgaan met dergelijke hiaten. Een onderzoeksgebied dat bekend staat als data-homogenisatie en verschillende keuzes van homogenisatiemethodologieën verantwoorden grotendeels de kleine verschillen die te zien zijn in de resultaten van de verschillende groepen die wereldwijde temperatuurgemiddelden en trends publiceren.

Een team onder leiding van Étienne Plésiat van het Duitse Klimaatcomputercentrum in Hamburg, met collega’s uit het VK en Spanje, beschouwde extreme temperaturen als een gebied dat geschikt was voor de toepassing van AI’s neurale netwerktechnieken. Ze concentreerden zich op Europa, dat een bijzonder hoge dichtheid aan weerstations heeft die verder terug in de tijd gaan dan elders ter wereld. (Bijvoorbeeld, de maandelijkse Hadley Central England Temperature-gegevens beginnen in 1659, het oudste record ter wereld.)

Met behulp van AI reconstrueerde de groep waarnemingen van Europese klimaatextremen – extreem warme en koude dagen, en extreem warme en koude nachten. Vanwege de hoge dichtheid van Europese temperatuurstations presteren traditionele statistische methoden zoals Kriging, Inverse Distance Weighting en Angular Distance Weighting goed in het voorspellen van temperatuurwaarden voor locaties zonder thermometer maar met nabijgelegen stations, maar ze presteren slecht wanneer nabijgelegen gegevens schaars zijn.

Deze methoden gebruiken gemeten waarden samen met de afstand van het punt van belang tot een nabijgelegen weerstation om de temperatuur op de locatie van interesse te voorspellen, met als belangrijkste verschil hoe de afstanden (of hoeken) in de berekening worden gewogen. In de afgelopen jaren hebben AI-methoden deze traditionele manieren van invullen overtroffen om ontbrekende klimaatinformatie te construeren en onzekerheden te kwantificeren.

De AI-modellen die Plésiat en zijn collega’s gebruikten, werden getraind en vergeleken met historische simulaties met Aardse Systeem Modellen uit het CMIP6-archief (Coupled Model Intercomparison Project, een wereldwijde samenwerking van klimaatmodellen die de atmosfeer en oceanen koppelt en het verleden, het huidige klimaat en de toekomstige klimaat berekent).

De resultaten van hun AI werden geëvalueerd door vergelijking met dergelijke heranalyse-simulaties, met gebruik van geaccepteerde methoden zoals de wortel van de gemiddelde kwadratische fout, de Spearman’s rangcorrelatiecoëfficiënt die de mate van associatie tussen een onafhankelijke en een afhankelijke variabele aangeeft, en meer. De onderzoekers ontdekten dat hun deep-learningtechniek, die ze CRAI (Climate Reconstruction AI) noemen, verschillende interpolatiemethoden overtrof bij het berekenen van warme dagen, koele dagen en vergelijkbaar voor warme en koele nachten.

Daarna pasten ze het toe op de reconstructie van alle velden in de HadEX3-dataset over het Europese domein – HadEX3 bestaat uit meer dan 80 indices van extreme temperatuur en neerslag op een gegroepeerd aardoppervlak van 1901 tot 2018. Ook hier toonde hun techniek een vermogen om eerdere extreme gebeurtenissen te reconstrueren en ruimtelijke trends te onthullen over tijdsintervallen die niet werden gedekt door zogenaamde “heranalyse-datasets.”

Bovendien onthulde hun CRAI Europese extremen die eerder onbekend waren, zoals koudegolven zoals die in 1929, en hittegolven inclusief een gebeurtenis in 1911. Door schaarsheid aan gegevens werden dergelijke extremen slechts anekdotisch gesuggereerd. “Ons onderzoek toont zowel de noodzaak als de potentiële voordelen aan van het toepassen van deze benadering op wereldschaal of andere regio’s met schaarse gegevens,” concludeert het team in hun artikel. “In feite ontdekken we dat onze AI-gebaseerde reconstructie grotere nauwkeurigheid vertoont dan traditionele statistische methoden, vooral in regio’s met uitgesproken gegevensschaarste,” en voegt eraan toe dat het trainen van dergelijke CRAI-modellen de nauwkeurigheid zou moeten verbeteren wanneer er grotere hoeveelheden informatie worden benut.

“Dit werk benadrukt het transformerende potentieel van AI om ons begrip van klimaatextremen en hun langetermijnveranderingen te verbeteren.”