AI verbetert voorspellingen van moessonregenval

1 april 2024

Dit artikel is beoordeeld volgens het redactionele proces van Science X en de beleidslijnen. De redacteuren hebben de volgende kenmerken benadrukt terwijl ze de geloofwaardigheid van de inhoud waarborgen:

• feit gecontroleerd
• peer-reviewed publicatie
• betrouwbare bron
• geproeflezen

door Lori Dajose, California Institute of Technology

Elk jaar brengt het moessonseizoen in Zuid-Azië tussen juni en september zware regenval voor meer dan een miljard mensen op het Indiase subcontinent. De regen valt in schommelingen: in sommige weken zien we 1 tot 4 inch water, terwijl andere weken voornamelijk droog zijn. Het voorspellen van deze droge en natte perioden is cruciaal voor landbouw en stadsplanning, zodat boeren weten wanneer ze gewassen moeten oogsten en stadsfunctionarissen zich kunnen voorbereiden op overstromingen. Hoewel de weersvoorspellingen meestal binnen een of twee dagen nauwkeurig zijn, is het zeer moeilijk om het weer een week of maand van tevoren precies te voorspellen.

Nu is aangetoond dat een nieuwe op machinelearning gebaseerde voorspelling de Zuid-Aziatische moessonregenval 10 tot 30 dagen van tevoren nauwkeuriger kan voorspellen, een aanzienlijke verbetering ten opzichte van de huidige toonaangevende voorspellingen die numerieke modellering gebruiken in plaats van kunstmatige intelligentie om voorspellingen te doen. Het begrijpen van moesongedrag is ook belangrijk omdat dit type regenval een belangrijk atmosferisch kenmerk is in het wereldwijde klimaat.

Het onderzoek werd geleid door Eviatar Bach, de Foster en Coco Stanback Postdoctoral Scholar Research Associate in Environmental Science and Engineering, die werkt in de laboratoria van Tapio Schneider, de Theodore Y. Wu Professor of Environmental Science and Engineering en senior onderzoeker bij JPL; en Andrew Stuart, de Bren Professor of Computing and Mathematical Sciences.

Een paper die de nieuwe methode beschrijft, verschijnt in de Proceedings of the National Academy of Sciences.

'Er is veel bezorgdheid over hoe de klimaatverandering de moesson en andere weersverschijnselen zoals orkanen, hittegolven en dergelijke zal beïnvloeden,' zegt Bach. 'Het verbeteren van voorspellingen op kortere termijnen is een belangrijk onderdeel van de aanpak van de klimaatverandering, omdat we de paraatheid voor deze gebeurtenissen moeten kunnen verbeteren.'

Het voorspellen van het weer is moeilijk omdat de atmosfeer tal van instabiliteiten bevat - bijvoorbeeld, de atmosfeer wordt continu verwarmd van de aarde eronder, wat leidt tot koude, dichtere lucht boven hetere, minder dichte lucht - evenals instabiliteit veroorzaakt door ongelijke verwarming en rotatie van de aarde. Deze instabiliteiten leiden tot een chaotische situatie waarin de fouten en onzekerheden bij het modelleren van het gedrag van de atmosfeer zich snel vermenigvuldigen, waardoor het bijna onmogelijk is om verder in de toekomst te voorspellen.

Nu gebruiken de beste modellen numerieke modellering, dat zijn computersimulaties van de atmosfeer die zijn gebaseerd op de natuurkundige formules die de beweging van vloeistoffen beschrijven. Vanwege de chaos is de maximale voorspelbare tijd voor grootschalig weer meestal ongeveer 10 dagen. Het voorspellen van het langdurige gemiddelde gedrag van de atmosfeer - dat wil zeggen, het klimaat - is ook mogelijk, maar het voorspellen van het weer in het tijdsinterval tussen twee weken tot enkele maanden is een uitdaging geweest met numerieke modellen.

Bij Zuid-Aziatische moessons neigt de regen te vallen in cycli van intense uitbarstingen gevolgd door droge perioden. Deze cycli staan bekend als moesson intraseizoen oscillaties (MISO's). In het nieuwe onderzoek voegden Bach en zijn collega's een op machine-learning gebaseerd onderdeel toe aan de huidige toonaangevende numerieke modellen. Dit stelde de onderzoekers in staat om gegevens over de MISO's te verzamelen en betere voorspellingen te doen van de regenval in het ongrijpbare twee-tot-vier-weken tijdsbestek. Het resulterende model kon de correlaties van de voorspellingen met observaties met maximaal 70% verbeteren.

'In de afgelopen jaren is er een groeiende interesse geweest in het gebruik van machinelearning voor weersvoorspellingen,' zegt Bach. 'Ons werk toont aan dat een combinatie van machinelearning en meer traditionele numerieke modellering nauwkeurige resultaten kan opleveren.'

De paper is getiteld 'Improved subseasonal prediction of South Asian monsoon rainfall using data-driven forecasts of oscillatory modes'. Naast Bach zijn de co-auteurs V. Krishnamurthy en Jagadish Shukla van George Mason University; Safa Mote van Portland State University; A. Surjalal Sharma en Eugenia Kalnay van de University of Maryland; en Michael Ghil van de École Normale Supérieure in Parijs, UCLA en Imperial College London.

Tijdschriftinformatie: Proceedings of the National Academy of Sciences

Verschaft door California Institute of Technology