Poprawa prognoz opadów w regionie śródziemnomorskim
Na przestrzeni XX wieku w regionie śródziemnomorskim doszło do znacznego ocieplenia, które badacze przypisują zmianie klimatu spowodowanej działalnością człowieka. Niedawne skutki tego zjawiska obejmują fale upałów i susze prowadzące do nieurodzaju, pożarów roślinności i niedoborów wody, powodując znaczne straty gospodarcze. Modele klimatyczne przewidują dalsze ocieplenie i wysuszenie regionu. Trafniejsze prognozowanie ekstremalnych zjawisk pogodowych w bliskiej perspektywie czasowej w regionie śródziemnomorskim umożliwiłoby władzom przygotowanie się na takie zdarzenia, łagodząc negatywne skutki dla sektorów zdrowia, energetyki i rolnictwa. „Problem polega na tym, że prognozowanie pogody w przedziałach czasowych od subsezonowych do sezonowych, czyli od około 10 dni do całego sezonu naprzód, utrudnia tzw. »pogodowo-klimatyczna luka prognostyczna«, z którą nie radzą sobie modele prognostyczne”, wyjaśnia Marlene Kretschmer, stypendystka działania „Maria Skłodowska-Curie” i koordynatorka finansowanego ze środków UE projektu CausalBoost. Projekt CausalBoost łączy w sobie narzędzia do analizy przyczynowej z operacyjnymi modelami prognostycznymi w celu określenia źródeł przewidywalności zimowej pogody w regionie śródziemnomorskim, zrozumienia wzajemnych oddziaływań tych różnych czynników oraz oceny, w jakim stopniu modele prognostyczne uwzględniają te procesy. Wyniki projektu opublikowano w recenzowanych czasopismach o otwartym dostępie, a część kodu oprogramowania zamieszczono w serwisie GitHub.
Rozwikłanie związków przyczynowo-skutkowych
Kluczowym wyzwaniem przy próbach poprawy prognoz opadów w skali czasowej S2S jest określenie źródeł przewidywalności. Oczekuje się ich w wolniej zmieniających się warunkach brzegowych systemu klimatycznego, takich jak temperatura lodu morskiego lub powierzchni morza, które mogą wpływać na regionalne wzorce pogodowe i klimatyczne o dużym zasięgu poprzez interakcje z atmosferą. Złożoność systemu klimatycznego utrudnia jednak określenie poszczególnych czynników, kwantyfikację ich udziału i wyodrębnienie poszczególnych czynników przyczynowych. Zrozumienie związków przyczynowo-skutkowych jest oczywiście częstym wyzwaniem w nauce. Ponieważ w dziedzinie nauk o klimacie przeprowadzanie eksperymentów w warunkach rzeczywistych jest zwykle niemożliwe, powszechnym sposobem na obejściem problemu jest eksperymentowanie z wykorzystaniem symulacji modeli klimatycznych. Jednym z ograniczeń jest to, że wyniki zależą od tego, jak dobrze model klimatyczny odwzorowuje warunki rzeczywiste. „Naszym kluczowym pomysłem było połączenie mocnych stron bardziej konwencjonalnych metod opartych na fizyce z innowacyjnymi metodami statystycznymi technologii uczenia maszynowego, umożliwiającymi wydobycie większej ilości informacji z danych klimatycznych”, zauważa Kretschmer z Uniwersytetu w Reading, będącego gospodarzem projektu.
Algorytm pomaga w rozwikłaniu związków przyczynowych
Jedną z zastosowanych technik uczenia maszynowego był specjalny algorytm – podejście matematyczne, które wyciąga wnioski na temat związków przyczynowo-skutkowych z danych obserwacyjnych. Użytkownicy wprowadzają dane o procesach fizycznych zachodzących na przestrzeni czasu, a algorytm „uczy się”, w jaki sposób te procesy wiążą się przyczynowo. Jest to stosunkowo nowe osiągnięcie, ale stanowi niezwykle skuteczne narzędzie dopełniające eksperymenty z użyciem modeli klimatycznych. Zespół projektu CausalBoost przeanalizował za pomocą algorytmu uczenia maszynowego szereg różnych zbiorów danych, w tym dane obserwacyjne, dane z modeli klimatycznych prognozujących w subsezonowych i sezonowych ramach czasowych, a także dane z projekcji modeli klimatycznych przy różnych scenariuszach emisji. Pozwoliło to lepiej zrozumieć czynniki wpływające na występowanie opadów w regionie śródziemnomorskim. Jednym z przykładów była rola tzw. stratosferycznego wiru polarnego – układu silnych zachodnich wiatrów tworzących się w borealnych zimnych porach roku w stratosferze Arktyki. Wiadomo, że silne i słabe fazy tego wiru wpływają na opady w regionie śródziemnomorskim. „Nasza szczegółowa analiza jego roli przyczynia się do lepszego zrozumienia leżących u jego podstaw mechanizmów, dostarczając informacji najnowocześniejszym modelom klimatycznym”, wyjaśnia Kretschmer.
Korygowanie prognoz
Zespół projektu CausalBoost umożliwi przygotowywanie długoterminowych prognoz opadów w regionie śródziemnomorskim, które będą dostarczać decydentom w zależnych od pogody sektorach istotnych informacji, aby pomóc im w bardziej efektywnym planowaniu. Kretschmer zamierza teraz połączyć empiryczne, oparte na obserwacji prognozy z prognozami otrzymanymi z dynamicznych modeli prognostycznych opartych na statystyce bayesowskiej. Jeśli wiemy, że model nie odzwierciedla dobrze danego procesu, możemy to „naprawić” poprzez późniejsze skorygowanie prognoz przy użyciu technik modelowania bayesowskiego, co powinno prowadzić do dokładniejszych prognoz”, podsumowuje Kretschmer.
Słowa kluczowe
CausalBoost, zmiana klimatu, opady, prognoza, śródziemnomorski, fale upałów, sezon, susza, przyczynowy, modelowanie, prognozy