Waarnemingsgebaseerd diep leren vermindert onzekerheid in ENSO-projecties
Verminderde onzekerheid in de projecties van ENSO SST-amplitude met behulp van deep learning.
De El Niño-Zuidelijke Oscillatie (ENSO) is het sterkste signaal van interjaarlijks variabiliteit in het klimaatsysteem van de aarde. De verschuivingen tussen de warme en koude fasen hebben een diepgaande impact op extreem weer wereldwijd, ecosystemen en economische ontwikkeling. Echter, huidige klimaatmodellen vertonen grote discrepanties in hun toekomstige projecties van de variabiliteit van de zeewatertemperatuur (SST) van ENSO.
Om dit probleem aan te pakken, heeft een onderzoeksteam onder leiding van prof. Wang Fan van het Instituut voor Oceanologie van de Chinese Academie van Wetenschappen (IOCAS) aangetoond dat deep learning de onzekerheid in de ENSO-projecties kan verminderen en meer betrouwbare toekomstige klimaatprojecties mogelijk maakt. Hun bevindingen werden onlangs gepubliceerd in Nature Communications.
De onderzoekers ontwikkelden een “observatie-geïnformeerde” deep learning benadering door 11 onafhankelijke kunstmatige neurale netwerk (ANN) modellen te trainen. Deze modellen gebruikten zowel historische als toekomstige scenario-gegevens van verschillende Coupled Model Intercomparison Project 6 (CMIP6) klimaatmodellen om de complexe relatie tussen ENSO-variabiliteit en de gemiddelde toestand van de tropische Pacific SST binnen elk model vast te leggen.
Bovendien incorporateerden de onderzoekers echte observatiedata om de ANNs te valideren, waarbij ze prioriteit gaven aan modellen die de waargenomen ENSO-respons op SST-veranderingen nauwkeurig weergaven. Door middel van interpretabiliteitsanalyse en onderzoek naar de fysieke mechanismen van ENSO, ontdekte de studie dat de best presterende ANNs effectief realistische ENSO-dynamiek internaliseerden. Deze modellen toonden een sterke gevoeligheid voor SST-veranderingen in de centrale evenaar en het verre westen van de Pacific, wat in lijn is met de gevestigde sleutel-feedbackgebieden voor ENSO.
Door de ANNs te gebruiken voor beperkte projecties van de ENSO SST-variabiliteit van de 21e eeuw onder een scenario met hoge emissies, ontdekte het team dat het bereik van voorspellende onzekerheid met 54% werd verminderd in vergelijking met de ruwe CMIP-modelprojecties.
Daarnaast, hoewel traditionele analyses significante verschillen suggereren tussen observaties en modellen wat betreft het opwarmingspatroon van de tropische Pacific in de 20e eeuw, onthult een focus op de sleutelgebieden voor het beheersen van ENSO-variabiliteit, geïdentificeerd door deep learning, dat zowel de observatiedata als de klimaatmodel-simulaties consequent een vergelijkbaar “El Niño-achtig” opwarmingspatroon vertonen.
“Deze studie biedt een kwantificeerbare fysieke basis voor toekomstige ENSO-projecties,” zei prof. Zhu Yuchao, de eerste auteur van de studie.
