Dit AI-model simuleert 1.000 jaar huidig klimaat in slechts één dag

Nieuw AI-model simuleert 1.000 jaar klimaat met minder rekenkracht

Het nieuwe AI-model van Dale Durran, professor in de atmosfeer- en klimaatswetenschap aan de Universiteit van Washington, en afgestudeerde student Nathaniel Cresswell-Clay, simuleert tot 1.000 jaar van het huidige klimaat met minder rekenkracht dan conventionele methoden. Het model legt atmosferische condities vast, zoals het lage drukgebied boven het centrale deel van de VS.

De zogenaamde “100-jarige weersomstandigheden” lijken nu bijna vanzelfsprekend, aangezien overstromingen, stormen en branden nieuwe normen stellen voor wat betreft intensiteit en destructie. Om een weersomstandigheid als een echte 100-jarige gebeurtenis te categoriseren, moet er echter slechts een kans van 1% zijn dat deze in een bepaald jaar optreedt. Het probleem is dat onderzoekers niet altijd weten of het weer overeenkomt met het huidige klimaat of dat het de kansen tart.

Traditionele weersvoorspellingsmodellen draaien op energie-intensieve supercomputers die meestal zijn ondergebracht in grote onderzoeksinstellingen. In de afgelopen vijf jaar is kunstmatige intelligentie (AI) naar voren gekomen als een krachtig hulpmiddel voor goedkopere en snellere voorspellingen, maar de meeste AI-gestuurde modellen kunnen slechts tot 10 dagen vooruit nauwkeurig voorspellen. Toch zijn langetermijnvoorspellingen cruciaal voor de klimaatswetenschap en helpen ze mensen zich voor te bereiden op toekomstige seizoenen.

In een nieuwe studie gepubliceerd in AGU Advances, hebben onderzoekers van de Universiteit van Washington AI gebruikt om het huidige klimaat van de aarde en de interjaarlijkse variabiliteit tot wel 1.000 jaar te simuleren. Het model draait op een enkele processor en genereert een voorspelling in slechts 12 uur. Op een geavanceerde supercomputer zou dezelfde simulatie ongeveer 90 dagen duren.

“We ontwikkelen een hulpmiddel dat de variabiliteit in ons huidige klimaat onderzoekt om deze blijvende vraag te helpen beantwoorden: Is een bepaalde gebeurtenis iets dat natuurlijk gebeurt, of niet?” aldus Dale Durran.

Durran was een van de eersten die meer dan vijf jaar geleden AI in de weersvoorspelling introduceerde, toen hij samen met voormalig afgestudeerde student Jonathan Weyn samenwerkte met Microsoft Research. Durran heeft ook een gezamenlijke positie als onderzoeker bij het in Californië gevestigde Nvidia.

“Om een AI-model te trainen, moet je het tons aan data geven,” zei Durran. “Maar als je de beschikbare historische data per seizoen opsplitst, krijg je niet veel stukken.” De meest nauwkeurige wereldwijde datasets voor dagelijks weer gaan terug tot ongeveer 1979. Hoewel er veel dagen tussen die tijd en nu zijn die kunnen worden gebruikt om een dagelijks weersvoorspellingsmodel te trainen, bevat dezelfde periode minder seizoenen. Dit gebrek aan historische data werd gezien als een obstakel voor het gebruik van AI voor seizoensvoorspellingen.

Counterintuitief genoeg werd de laatste bijdrage van de Durran-groep aan de weersvoorspelling, het Deep Learning Earth System Model (DLESyM), getraind voor één-dagsvoorspellingen, maar leerde nog steeds hoe het seizoensvariabiliteit kon vastleggen. Het model combineert twee neurale netwerken: één die de atmosfeer vertegenwoordigt en de andere de oceaan. Terwijl traditionele aardse modellen vaak atmosferische en oceanische voorspellingen combineren, hadden onderzoekers deze aanpak nog niet in AI-modellen geïntegreerd.

“Wij waren de eersten die dit kader op AI toepasten en we ontdekten dat het echt goed werkte,” zei hoofdauteur Nathaniel Cresswell-Clay. “We presenteren dit als een model dat veel van de huidige aannames rondom AI in de klimaatswetenschap tart.”

Omdat de temperatuur van het zeeoppervlak langzamer verandert dan de luchttemperatuur, werkt het oceanische model zijn voorspellingen elke vier dagen bij, terwijl het atmosferische model elke 12 uur wordt bijgewerkt. Cresswell-Clay werkt momenteel aan het toevoegen van een landoppervlakmodel aan DLESyM.

“Ons ontwerp opent de deur voor het toevoegen van andere componenten van het aardse systeem in de toekomst,” zei hij, vooral componenten die in het verleden moeilijk te modelleren zijn geweest, zoals de relatie tussen bodem, planten en de atmosfeer. In plaats van dat onderzoekers een vergelijking bedenken om deze complexe relatie weer te geven, leert AI direct van de data.

De onderzoekers toonden de prestaties van het model aan door de voorspellingen van eerdere gebeurtenissen te vergelijken met die gegenereerd door de vier toonaangevende modellen van de zesde fase van het Coupled Model Intercomparison Project (CMIP6), die allemaal op supercomputers draaien. Klimaatvoorspellingen van deze modellen waren belangrijke bronnen die werden gebruikt in het laatste rapport van het Intergouvernementele Panel over Klimaatverandering (IPCC).

DLESyM simuleerde tropische cyclonen en de seizoenscyclus van de Indiase zomermonsoon beter dan de CMIP6-modellen. In de gematigde breedtegraden legde DLESyM de maand-tot-maand en interjaarlijkse variabiliteit van weerpatronen minstens zo goed vast als de CMIP6-modellen. Het model legde bijvoorbeeld atmosferische “blokkade”-evenementen net zo goed vast als de toonaangevende op fysica gebaseerde modellen. Blokkade verwijst naar de vorming van atmosferische ruggen die gebieden warm en droog houden, terwijl andere koud of nat zijn, door inkomende weersystemen af te buigen.

“Veel van de bestaande klimaatmodellen doen eigenlijk geen goede poging om dit patroon vast te leggen,” zei Cresswell-Clay. “De kwaliteit van onze resultaten valideert ons model en vergroot ons vertrouwen in de toekomstige projecties.”

Geen van de CMIP6-modellen of DLESyM is 100% nauwkeurig, maar het feit dat de AI-gebaseerde aanpak concurrerend was terwijl het veel minder energie gebruikte, is significant. “Het model heeft niet alleen een veel lagere koolstofvoetafdruk, maar iedereen kan het downloaden en complexe experimenten uitvoeren, zelfs als ze geen toegang hebben tot een supercomputer,” aldus Durran. “Dit maakt de technologie toegankelijk voor veel andere onderzoekers.”