AI poprawia prognozy opadów monsunowych

1 kwietnia 2024

Ten artykuł został sprawdzony zgodnie z procesem redakcyjnym Science X oraz polityką. Redaktorzy wyróżnili następujące atrybuty, zapewniając wiarygodność treści:

• sprawdzony pod kątem faktów
• recenzowany artykuł naukowy
• zaufane źródło
• skorygowany

przez Lori Dajose, Kalifornijski Instytut Technologiczny

Co roku, monsun w Azji Południowej przynosi obfite opady deszczu dla ponad miliarda ludzi na subkontynencie indyjskim pomiędzy czerwcem a wrześniem. Deszcz pada falami: niektóre tygodnie przynoszą od 1 do 4 cali wody, podczas gdy inne są głównie suche. Przewidywanie, kiedy te suche i mokre okresy wystąpią, jest kluczowe dla rolnictwa i planowania miejskiego, umożliwiając rolnikom wiedzę, kiedy zbierać uprawy i pomagając urzędnikom miasta przygotować się na powodzie. Jednak, mimo że prognozy pogody są zwykle dokładne na jeden lub dwa dni, precyzyjne przewidywanie pogody na tydzień lub miesiąc jest bardzo trudne.

Teraz, nowa prognoza oparta na uczeniu maszynowym okazała się bardziej dokładna w przewidywaniu monsunowych opadów w Azji Południowej na 10 do 30 dni naprzód, co stanowi znaczące ulepszenie obecnych prognoz, które korzystają z modelowania numerycznego, a nie sztucznej inteligencji do formułowania prognoz. Zrozumienie zachowania monsunu jest również ważne, ponieważ ten rodzaj opadów deszczu jest istotnym elementem atmosferycznym w globalnym klimacie.

Badania prowadził Eviatar Bach, stypendysta badawczy po doktoracie Foster i Coco Stanback, pracujący w laboratoriach Tapio Schneidera, profesora nauk o środowisku, oraz Andrew Stuarta, profesora nauk informatycznych i matematycznych.

Artykuł opisujący nową metodę został opublikowany w Proceedings of the National Academy of Sciences.

'Jest wiele obaw dotyczących wpływu zmian klimatu na monsun i inne zjawiska meteorologiczne, takie jak huragany, fale upałów itp.', mówi Bach. 'Poprawa prognoz na krótsze okresy jest ważnym elementem reagowania na zmiany klimatu, ponieważ musimy być w stanie zwiększyć gotowość na te zdarzenia.'

Prognozowanie pogody jest trudne, ponieważ atmosfera zawiera liczne niestabilności. Te niestabilności prowadzą do chaotycznych sytuacji, w których błędy i niepewności w modelowaniu zachowania atmosfery szybko się mnożą, co czyni niemal niemożliwym prognozowanie dalszej przyszłości.

Obecne najnowocześniejsze modele korzystają z modelowania numerycznego, które są symulacjami komputerowymi atmosfery opartymi na równaniach fizycznych opisujących ruch płynów. Z powodu chaosu, maksymalny przewidywalny czas dla dużych skali pogodowych wynosi zwykle około 10 dni. Przewidywanie długoterminowego średniego zachowania atmosfery - inaczej mówiąc, klimatu - jest również możliwe, ale prognozowanie pogody w przedziale czasowym od dwóch tygodni do kilku miesięcy stanowiło wyzwanie dla numerycznych modeli.

Podczas monsunów w Azji Południowej, deszcz zwykle pada w cyklach intensywnych ulew i okresów suszy. Te cykle są znane jako oscylacje monsunowe (MISO). W nowych badaniach, Bach i jego współpracownicy dodali element uczenia maszynowego do obecnych najnowocześniejszych modeli numerycznych. Pozwoliło to naukowcom na zbieranie danych na temat MISO i składanie lepszych prognoz opadów deszczu w trudnym do przewidzenia okresie od dwóch do czterech tygodni. Ostateczny model pozwolił zwiększyć korelację prognoz z obserwacjami, o nawet do 70%.

'W ciągu ostatnich kilku lat, pojawiło się zainteresowanie wykorzystaniem uczenia maszynowego do prognozowania pogody', mówi Bach. 'Nasza praca pokazuje, że połączenie uczenia maszynowego i bardziej tradycyjnego modelowania numerycznego może przynieść dokładne wyniki.'

Artykuł nosi tytuł 'Ulepszona prognoza subsezonowego opadu deszczu monsunowego w Azji Południowej za pomocą prognoz oscylacyjnych opartych na danych'. Oprócz Bacha, współautorami są V. Krishnamurthy i Jagadish Shukla z George Mason University; Safa Mote z Portland State University; A. Surjalal Sharma i Eugenia Kalnay z University of Maryland; oraz Michael Ghil z École Normale Supérieure w Paryżu, z UCLA i Imperial College London.

Informacje o czasopiśmie: Proceedings of the National Academy of Sciences

Dostarczono przez Kalifornijski Instytut Technologiczny