Zdarzenia blokujące atmosferę mogą powodować poważne ekstrema pogodowe. W przełomowym badaniu naukowcy wykorzystali model głębokiego uczenia się, aby zrekonstruować częstotliwość tych wydarzeń na przestrzeni ostatnich 1000 lat, oferując wgląd w ich przyszłość w obliczu zmiany klimatu.
Zdarzenia blokujące atmosferę to długotrwałe, wywierające wpływ wzorce pogodowe, które powstają, gdy duże systemy wysokociśnieniowe pozostają nieruchome, zakłócając strumień strumieniowy i ścieżki burz na dni, a nawet tygodnie. Zdarzenia te mogą prowadzić do ekstremalnych warunków pogodowych, takich jak rekordowe powodzie lub fale upałów, jakie wystąpią w Europie w 2023 r.
W nowym badaniu Christina Karamperidou, badaczka atmosfery z Uniwersytetu Hawai’i w Mānoa, wykorzystała model głębokiego uczenia się, aby wywnioskować częstotliwość zdarzeń blokujących w ciągu ostatnich 1000 lat i rzucić światło na to, jak przyszłe zmiany klimatyczne mogą wpłynąć na te znaczące zjawiska.
„Badanie to miało na celu wyodrębnienie sygnału palepogody z zapisów paleoklimatycznych przy użyciu modelu głębokiego uczenia się, który wnioskuje o częstotliwości blokowania atmosfery na podstawie temperatury powierzchni” – powiedział Karamperidou. „To wyjątkowe badanie i pierwsza próba zrekonstruowania długiego zapisu częstotliwości blokujących w oparciu o ich związek z temperaturą powierzchni, która jest złożona i nieznana. Metody uczenia maszynowego mogą okazać się bardzo skuteczne w przypadku takich zadań”.
Trenowanie modelu głębokiego uczenia się
Karamperidou opracowała wyspecjalizowany model głębokiego uczenia się, który wytrenowała, korzystając z danych historycznych i dużych zestawów symulacji modeli klimatycznych. Model był następnie w stanie wywnioskować częstotliwość zdarzeń blokujących na podstawie anomalii w rekonstrukcjach temperatur sezonowych w ciągu ostatniego tysiąclecia. Te rekonstrukcje temperatur z przeszłości są stosunkowo dobrze ograniczone przez rozległe sieci zapisów słojów drzew wrażliwych na temperaturę w okresie wegetacyjnym.
„To podejście pokazuje, że modele głębokiego uczenia się są potężnymi narzędziami pozwalającymi przezwyciężyć długotrwały problem wydobywania meteoru paleoklimatycznego z paleoklimatu” – powiedział Karamperidou. „Podejście to można zastosować również w przypadku instrumentalnego okresu historii klimatu, który rozpoczął się w XVIII wieku, kiedy wykonywano rutynowe pomiary pogody, ponieważ dysponujemy wiarygodnymi danymi umożliwiającymi identyfikację blokowania dopiero od lat czterdziestych XX wieku lub być może dopiero z ery satelitarnej (po 1979).
Częstotliwość przyszłych zdarzeń blokujących
Nie ma jeszcze naukowego konsensusu co do tego, jak zmiany klimatyczne zmienią częstotliwość zdarzeń blokujących. Te silne, trwałe systemy wysokiego ciśnienia na średnich szerokościach geograficznych mogą mieć znaczący wpływ na Hawaje, gdzie powodzie towarzyszą utrzymującym się blokom na północnym Pacyfiku, a także na całym świecie, na przykład na północno-zachodnim Pacyfiku i w Europie, gdzie blokady w okresie letnim mogą powodować ekstremalne upały fale.
Dlatego zrozumienie zmian w częstotliwości tych zdarzeń, szczególnie w odniesieniu do innych dużych czynników wpływających na klimat, takich jak El Niño, i długoterminowych wzorców temperatur powierzchni morza w tropikalnym Pacyfiku, jest bardzo ważne dla Hawajów. Badanie to pozwoliło Karamperidou powiązać częstotliwości blokowania na średnich i wysokich szerokościach geograficznych ze zmiennością klimatu tropikalnego Pacyfiku w długim kontekście ostatniego tysiąclecia, co jest niezbędne do walidacji modelu klimatycznego i zawężenia niepewności w przyszłych prognozach klimatycznych dotyczących blokowania.
Otwarte badania i przejrzystość
Karamperidou współpracował z dwoma studentami UH Mānoa, aby stworzyć wyjątkowe dzieło interfejs sieciowy zbadanie modelu głębokiego uczenia się i wynikających z niego rekonstrukcji. Podkreśliła, że dzielenie się wynikami i metodami w ten sposób jest ważne dla najlepszych praktyk i przejrzystości Otwartych Badań, zwłaszcza w zakresie stosowania uczenie maszynowe I sztuczna inteligencja szybko rozszerza się na wiele aspektów życia codziennego. Interfejs sieciowy jest hostowany na Jetstream-2wspierany przez NSF system przetwarzania w chmurze, którego regionalni partnerzy obejmują Uniwersytet Hawai’i Information Technology Services – Cyberinfrastructure i Hawai’i Data Science Institute.
W przyszłości Karamperidou planuje zbadać szereg funkcji i udoskonaleń architektonicznych modelu głębokiego uczenia się, aby rozszerzyć jego zastosowania w odniesieniu do zjawisk klimatycznych i zmiennych bezpośrednio związanych z poważnymi skutkami społeczno-gospodarczymi.
Odniesienie: „Wydobywanie meteoru paleoklimatycznego poprzez głęboką rekonstrukcję blokowania atmosferycznego ostatniego tysiąclecia” autorstwa Christiny Karamperidou, 30 września 2024 r., Komunikacja Ziemia i środowisko.
DOI: 10.1038/s43247-024-01687-y
Badanie zostało sfinansowane przez amerykańską National Science Foundation.
