AI förbättrar förutsägelser för monsunregn

1 april, 2024

Den här artikeln har granskats enligt Science X:s redaktionella process och policy. Redaktörer har framhävt följande egenskaper samtidigt som de säkerställt innehållets trovärdighet:

• faktagranskad
• granskad i en vetenskaplig publikation
• tillförlitlig källa
• korrigerad

av Lori Dajose, Californiens tekniska institut

Varje år, mellan juni och september, för den sydasiatiska monsunsessionen med sig kraftigt regn till över en miljard människor på den indiska subkontinenten. Regnet faller i oscillationer: Vissa veckor ser 1 till 4 tum vatten, medan andra veckor mestadels är torra. Att förutsäga när dessa torra och våta perioder kommer att inträffa är avgörande för jordbruks- och stadsplanering, eftersom det möjliggör för bönderna att veta när de ska skörda grödorna och hjälper stadsfunktionärer att förbereda sig för översvämningar. Men trots att väderprognoser oftast är korrekta inom en eller två dagar, så är det mycket svårt att exakt förutse vädret en vecka eller månad i förväg.

Nu har det visat sig att nya maskininlärningsbaserade prognoser mer exakt kan förutse det sydasiatiska monsunregnandet 10 till 30 dagar i förväg, en betydande förbättring jämfört med de nuvarande moderna prognoser som använder numerisk modellering snarare än artificiell intelligens för att göra prognoser. Att förstå monsunbeteendet är också viktigt eftersom denna typ av nederbörd är ett stort atmosfäriskt inslag i det globala klimatet.

Forskningen leddes av Eviatar Bach, postdoktor forskningsmedarbetare i miljövetenskap och teknik vid Foster och Coco Stanbacks laboratorier under ledning av Tapio Schneider och Andrew Stuart, Bren-professor i Computing och matematiska vetenskaper.

En artikel som beskriver den nya metoden publiceras i Proceedings of the National Academy of Sciences.

'Det finns en stor oro för hur klimatförändringar kommer att påverka monsunen och andra väderhändelser som orkaner, värmeböljor och så vidare', säger Bach. 'Att förbättra prognoserna på kortare tidsskalor är en viktig del av att svara på klimatförändringar eftersom vi behöver kunna förbättra beredskapen för dessa händelser.'

Att förutsäga vädret är svårt eftersom atmosfären innehåller många instabiliteter - till exempel värms atmosfären kontinuerligt från jorden nedanför, vilket leder till kallare, tätare luft ovanför varmare, mindre tät luft - samt instabilitet orsakad av ojämn uppvärmning och jordens rotation. Dessa instabiliteter leder till en kaotisk situation där fel och osäkerheter i modelleringen av atmosfärens beteende snabbt multipliceras, vilket gör det nästan omöjligt att förutsäga längre in i framtiden.

Nuvarande toppmoderna modeller använder numerisk modellering, vilket är datorsimuleringar av atmosfären baserat på fysikens ekvationer som beskriver rörelsen av vätskor. På grund av kaos är den maximalt förutsägbara tiden för storskaligt väder vanligtvis runt 10 dagar. Att förutsäga det långvariga genomsnittliga beteendet för atmosfären - det vill säga klimatet - är också möjligt, men att förutsäga vädret i tidsintervallet mellan två veckor till flera månader har varit en utmaning med numeriska modeller.

För sydasiatiska monsuner tenderar regnet att falla i cykler av intensiva utbrott följda av torra perioder. Dessa cykler är kända som monsun intrasäsongvariationer (MISOs). I den nya forskningen tillade Bach och hans medarbetare en maskininlärningskomponent till de nuvarande toppmoderna numeriska modellerna. Detta gjorde det möjligt för forskarna att samla in data om MISO-sträckorna och göra bättre prognoser om nederbörden i det svårfångade två-till-fyra-veckors tidsintervallet. Den resulterande modellen kunde förbättra korrelationen för förutsägelserna med observationer med upp till 70%.

I de senaste åren har det funnits ett ökat intresse för att använda maskininlärning för väderprognoser,' säger Bach. 'Vårt arbete visar att en kombination av maskininlärning och mer traditionell numerisk modellering kan ge noggranna resultat.'

Artikeln titeln är 'Improved subseasonal prediction of South Asian monsoon rainfall using data-driven forecasts of oscillatory modes.' Förutom Bach är författarna V. Krishnamurthy och Jagadish Shukla från George Mason University; Safa Mote från Portland State University; A. Surjalal Sharma och Eugenia Kalnay från University of Maryland; och Michael Ghil från École Normale Supérieure i Paris, UCLA, samt Imperial College London.

Information om tidskriften: Proceedings of the National Academy of Sciences.

Tillhandahålls av: California Institute of Technology.