Voorspellingen van hittegolven maanden van tevoren met machine learning

Seizoensvoorspellingen van paleo-klimaat hittegolven in Europa

Met hittegolven als een van de dodelijkste klimaatgevaren in Europa, heeft een team van wetenschappers onder leiding van het CMCC een voorspellingssysteem ontwikkeld dat nuttige informatie kan bieden vier tot zeven weken voor de zomer. Dit geeft waardevolle tijd om de voorbereiding te verbeteren.

Het machine learning-systeem, dat is getraind op gegevens van eeuwenlange klimaatanalyses tot de recente jaren, heeft een toename in de efficiëntie van de voorspellingen aangetoond door de benodigde rekenmiddelen drastisch te verminderen. Hierdoor zijn deze technieken toegankelijker geworden voor een breder aantal onderzoekers en instellingen.

De studie “Seizoensvoorspelling van Europese hittegolven met behulp van een kenmerkselectiekader”, gepubliceerd in Communications Earth & Environment, laat zien hoe machine learning (ML) en kunstmatige intelligentie (AI) de klimatologie revolutioneren door nauwkeurigere en kosteneffectievere voorspellingen mogelijk te maken dan traditionele benaderingen.

Bovendien biedt deze datagestuurde aanpak een alternatief waar conventionele dynamische voorspellingssystemen enorme rekenbronnen vereisen en moeite hebben met betrouwbaarheid in noordelijke Europese regio’s. “ML zal een fundamenteel onderdeel worden van hoe we klimaatvariabiliteit bestuderen,” zegt McAdam. “Deze studie heeft de nuttigheid van ML bij de voorspelling van extreme gebeurtenissen aangetoond, maar het is slechts een eerste stap in het definiëren van hoe we dat doen om interpreteerbare en fysiek betekenisvolle resultaten te verkrijgen.”

Hittegolven veroorzaken verwoestende gevolgen in heel Europa, waaronder landbouwverliezen, pieken in energieverbruik, gezondheidscrises en een verhoogde mortaliteit. Recente dodelijke gebeurtenissen in 2003, 2010 en 2022 onderstrepen de dringende behoefte aan vroegtijdige waarschuwingssystemen die kunnen helpen de gevolgen van hittegolven te verzachten. Dit is bijzonder belangrijk, aangezien klimaatsprojecties een verdere intensivering van hittegolven in de komende decennia suggereren, waardoor nauwkeurige seizoensvoorspellingen cruciaal zijn voor het redden van levens.

“Vroegtijdige waarschuwing voor extreem hete zomers kan de samenleving helpen zich voor te bereiden om economische verliezen te mitigeren en het risico voor levens te verminderen,” legt McAdam uit. “Seizoensvoorspellingen die in het voorjaar worden gedaan, kunnen in principe aangeven of een zomer warmer zal zijn dan gemiddeld.”

Innovatieve methodologie

Het systeem maakt gebruik van een op optimalisatie gebaseerd kenmerkselectiekader dat de optimale combinatie van atmosferische, oceanische en landvariabelen identificeert om de kans op hittegolven in Europa te voorspellen. Met behulp van ML-technieken analyseert de aanpak ongeveer 2.000 potentiële voorspellers om de meest voorspellende combinaties voor elke geografische locatie te selecteren.

De methode niet alleen evenaart, maar overtreft in sommige gevallen traditionele voorspellingssystemen, en biedt ook informatie over welke voorspellers in het proces zijn gebruikt – een waardevolle wetenschappelijke bron. Het vermogen om aan te geven welke atmosferische en oceanische voorspellers het meest bijdragen aan de voorspellingsvaardigheid op verschillende tijden en locaties in Europa kan toekomstige onderzoeken naar de fysieke mechanismen achter extreme hitte-evenementen informeren.

Bijvoorbeeld, het onderzoek onthult dat Europese bodemvocht, temperatuurpatronen en atmosferische circulatie de meest kritieke lokale voorspellers zijn, terwijl verre signalen uit de tropische Stille Oceaan en Atlantische Oceaan ook bijdragen aan de voorspellingsvaardigheid.

Een aanhoudende uitdaging in seizoensvoorspellingen was de slechte prestaties in Scandinavië en noord-centraal Europa. In tegenstelling hiermee verbetert de nieuwe datagestuurde aanpak, ontwikkeld in het artikel, de vaardigheid in deze voorheen problematische gebieden.

Een van de meest innovatieve aspecten van de studie was het trainen van het ML-systeem op paleoklimaatsimulaties van de jaren 0-1850, wat veel meer trainingsgegevens opleverde dan beschikbaar in observerende gegevens. Ondanks deze ongebruikelijke aanpak, slaagde het systeem erin om zijn kennis succesvol toe te passen om real-world hittegolven van 1993-2016 nauwkeurig te voorspellen.

“Er is nog niet genoeg real-world data om de voorspelling voldoende te trainen, dus de ML-modellen hebben in een modellenwereld geleerd over hittegolfdrijvers, maar hebben de training succesvol toegepast op de echte wereld,” zegt McAdam.

Een kwestie van efficiëntie

Niet alleen de verhoogde efficiëntie, maar ook de dramatische vermindering van rekenvereisten maken seizoensvoorspellingen met deze techniek toegankelijk voor een breder scala aan onderzoekers en instellingen. Terwijl traditionele dynamische systemen enorme supercomputingbronnen vereisen om te draaien, richt deze aanpak zich specifiek op hittegolven met minimale rekenoverhead.

“Ons onderzoek heeft met succes datagestuurde ML-gebaseerde voorspellingen uitgebreid naar de seizoensschaal met een fractie van de rekenmiddelen van traditionele benaderingen,” merkt McAdam op. Door betrouwbare seizoensvoorspellingen van extreme hitte maanden van tevoren te bieden, stelt het systeem proactieve maatregelen in staat om de impact van hittegolven op de samenleving en de economie te verminderen.

Dit opent nieuwe mogelijkheden voor klimaatdiensten in verschillende sectoren, waaronder landbouw, volksgezondheid, energiebeheer en noodplanning, en biedt ook de kans om ML-benaderingen te combineren met het dynamische systeem dat door CMCC is geproduceerd, en zo de sterke punten van beide benaderingen te benutten.

Het kader heeft ook het potentieel om te worden aangepast voor andere extreme evenementen, startdata en doel-seizoenen, wat een belangrijke mijlpaal vertegenwoordigt in de missie van CMCC om de klimatologie te bevorderen door innovatieve methodologieën en nieuwe normen voor seizoensvoorspellingen en klimaatrisico-evaluatie vast te stellen.