U svetu postoji preko 30.000 meteoroloških stanica koje često svakodnevno mere temperaturu, padavine i druge pokazatelje. To je ogromna količina podataka koju istraživači klime treba da sakupe i analiziraju kako bi proizveli mesečne i godišnje globalne i regionalne temperature (posebno) koje čine vesti.
Sada su istraživači pokrenuli veštačku inteligenciju (AI) na ovim skupovima podataka kako bi analizirali temperaturne ekstreme u Evropi, pronalazeći odlično slaganje u poređenju sa postojećim rezultatima koji su koristili tradicionalne metode, a takođe su otkrili klimatske ekstreme koji nisu ranije bili poznati. Njihov rad je objavljen u Nature Communications.
S obzirom da se svetska klima brzo menja, važno je znati kako se menjaju ekstremi temperature i padavina, tako da se planeri mogu prilagoditi ekstremima ovde sada i onome što dolazi.
U nekim regionima, sada „daleko izvan istorijske klime“, pada kiša, prema dokumentu iz 2021. u časopisu Nature. Ekstremi toplote su takođe u porastu — više od 30% globalne kopnene površine sada vidi mesečne temperature iznad statističkog nivoa od dva sigma u bilo kojoj godini, u odnosu na oko 1% u 1950.
Značajan problem u analizi istorijskih proseka temperature predstavlja nedostatak podataka za neke meteorološke stanice, posebno u prvoj polovini prošlog veka.
Meteorološka stanica sa ljudskom posadom možda je godinama bila nenadzirana ako je oštećena, ako se njen čuvar pomerio ili umro, ako se zaustavila i nije odmah zamenjena, ili možda nikada nije zamenjena. Nove tehnologije stanica moraju biti povezane sa prethodnim instrumentima, a velika područja u Africi i polovi nude oskudne informacije, ako ih ima.
Istraživači klime su proveli mnogo vremena pokušavajući da se izbore sa takvim prazninama. Oblast istraživanja poznata kao homogenizacija podataka i različiti izbori metodologija homogenizacije u velikoj meri objašnjavaju male razlike uočene u rezultatima nekoliko različitih grupa koje objavljuju globalne prosečne temperature i trendove.
Tim predvođen Etjenom Plesijatom iz Nemačkog centra za računanje klime u Hamburgu, uključujući kolege iz Velike Britanije i Španije, video je ekstremne temperature kao područje zrelo za primenu tehnika neuronske mreže veštačke inteligencije.
Fokusirali su se na Evropu, koja ima posebno gust broj meteoroloških stanica koje idu dalje u prošlost nego drugde širom sveta. (Na primer, mesečni podaci o temperaturi u centralnoj Engleskoj u Hadliju počinju 1659. godine, najstariji rekord na svetu.) Koristeći veštačku inteligenciju, grupa je rekonstruisala zapažanja evropskih klimatskih ekstrema — ekstremno toplih i hladnih dana, i ekstremno toplih i hladnih noći.
Zbog velike gustine evropskih temperaturnih stanica, tradicionalne statističke metode kao što su Kriging , Inverzno merenje udaljenosti i ugaono merenje udaljenosti imaju dobre rezultate u predviđanju vrednosti temperature za bilo koju lokaciju koja nema termometar, ali ima susedne stanice u blizini, ali imaju loš učinak kada su podaci u blizini je oskudan.
Otkrijte najnovije u nauci, tehnologiji i prostoru sa preko 100.000 pretplatnika koji se oslanjaju na Phis.org za dnevne uvide.
Prijavite se za naš besplatni bilten i dobijajte novosti o otkrićima,
inovacije i istraživanja koja su važna – dnevno ili nedeljno.
Sve su to metode za korišćenje izmerenih vrednosti zajedno sa rastojanjem od tačke interesa do susedne meteorološke stanice za predviđanje temperature na lokaciji od interesa, pri čemu je primarna razlika u tome kako se udaljenosti (ili uglovi) ponderišu u proračunu.
U poslednjih nekoliko godina, metode veštačke inteligencije su nadmašile ove tradicionalne načine popunjavanja da bi se konstruisale nedostajuće klimatske informacije i kvantifikacione nesigurnosti.
Modeli veštačke inteligencije koje su koristili Plesijat i kolege su obučeni i upoređeni sa istorijskim simulacijama sa modelima sistema Zemlje iz CMIP6 arhive (Coupled Model Intercomparison Project, globalna saradnja klimatskih modela koji spajaju atmosferu i okeane koji izračunavaju prošlu klimu, trenutnu klimu i budućnost klima).
Njihovi rezultati AI se procenjuju upoređivanjem sa takvim simulacijama ponovne analize, koristeći prihvaćene metode kao što su prosečna kvadratna greška, Spirmanov koeficijent korelacije rang-reda koji ukazuje na količinu povezanosti između nezavisne varijable i zavisne varijable (on generalizuje dobro poznatu Pirsonov koeficijent R, ali uključujući nelinearne zavisnosti), i više.
Istraživači su otkrili da je njihova tehnika dubokog učenja, koju nazivaju CRAI (Climate Reconstruction AI), nadmašila nekoliko metoda interpolacije poput onih opisanih iznad za izračunavanje toplih dana (procenat dana kada je dnevna maksimalna temperatura bila veća od 90. percentila) , hladni dani (procenat dana kada je dnevna maksimalna temperatura bila manja od 10. percentila), i slično za tople noći i prohladne noći.
Zatim su ga primenili na rekonstrukciju svih polja u skupu podataka HadEKS3 preko evropskog domena – HadEKS3 se sastoji od preko 80 indeksa ekstremne temperature i padavina na površini Zemlje od 1901. do 2018. godine.
I ovde je njihova tehnika pokazala sposobnost da se rekonstruišu prošli ekstremni događaji i otkriju prostorni trendovi u vremenskim intervalima koji nisu pokriveni takozvanim „skupovima podataka za ponovnu analizu“. (Reanaliza klime popunjava praznine u opservacionim bazama podataka koristeći klimatski model zajedno sa dostupnim zapažanjima.)
Pored toga, njihov CRAI je otkrio evropske ekstreme koji su ranije bili nepoznati – na primer, hladni periodi kao što je onaj iz 1929. i toplotni talasi uključujući pojavu iz 1911. godine. Zbog oskudnih podataka ovakvi ekstremi su samo anegdotski nagovešteni.
„Naše istraživanje pokazuje i neophodnost i potencijalnu korist od primene ovog pristupa na globalnom nivou ili drugim regionima sa oskudnim podacima“, zaključuje tim u svom radu.
„Zaista, otkrili smo da naša rekonstrukcija zasnovana na veštačkoj inteligenciji pokazuje veću tačnost u odnosu na tradicionalne statističke metode, posebno u regionima sa izraženom oskudicom podataka“, dodajući da obuka takvih CRAI modela treba da poboljša tačnost kada se eksploatišu veće količine informacija.
„Ovaj rad naglašava transformativni potencijal AI da poboljša naše razumevanje klimatskih ekstrema i njihovih dugoročnih promena.“
