European Commission logo
polski polski
CORDIS - Wyniki badań wspieranych przez UE
CORDIS

Improving Subseasonal and Seasonal sUmmer forecast over southern Europe through machine Learning

Article Category

Article available in the following languages:

Wykorzystanie uczenia maszynowego do dokładniejszego przewidywania fal upałów

Naukowcy wykorzystali zaawansowany, oparty na algorytmach uczenia maszynowego model prognozowania pogody w skali od wewnątrzsezonowej do sezonowej, który umożliwia przewidywanie regionalnych średnich temperatur miesięcznych w południowej Europie z jednomiesięcznym wyprzedzeniem.

Zmiana klimatu i środowisko icon Zmiana klimatu i środowisko

Biorąc pod uwagę, że w dużej części Europy notuje się rekordową liczbę dni uznawanych za ekstremalnie gorące, powiedzieć, że lato 2023 roku było upalne, to jakby nic nie powiedzieć. W rzeczywistości w południowej Hiszpanii byliśmy świadkami co najmniej 60 dni, podczas których rzeczywiste temperatury odczuwalne wynosiły od 38 do 46 °C, przy czym w niektórych miejscach słupek rtęci wielokrotnie przekraczał 46 °C. Ponieważ przewidywanie ekstremalnych upałów jest szczególnie trudne, władze mają duży problem z podejmowaniem środków łagodzących, aby chronić ludzi przed potencjalnie śmiertelnymi skutkami takich zdarzeń pogodowych. „Granica możliwości w przypadku tradycyjnych systemów prognozowania pogody wynosi około 10 dni”, mówi Marie Drouard, badaczka z hiszpańskiego Instytutu Nauk Geologicznych (strona w języku hiszpańskim). „Aby jednak przygotować i lepiej chronić społeczeństwo przed zmianą klimatu i związanymi z nią ekstremalnymi zjawiskami pogodowymi, potrzebujemy wiarygodnych prognoz w dłuższej perspektywie czasowej”. Taki był główny cel wspieranego w ramach działań „Maria Skłodowska-Curie” projektu ISSUL.

Lepsze wykorzystanie modeli prognostycznych w skali wewnątrzsezonowej i sezonowej

Zespół projektu ISSUL koncentrował się na opracowaniu zaawansowanych modeli prognoz wewnątrzsezonowych i sezonowych, nazwanych modelami S2S. „Klasyfikowane pomiędzy prognozami pogodowymi a klimatycznymi, modele S2S w uproszczeniu stanowią rozszerzone prognozy pogody, które pozwalają nam przewidywać okres dłuższy niż dwa tygodnie, ale krótszy niż pora roku”, wyjaśnia Drouard, która pełniła rolę koordynatorki projektu. Dokładniej, celem projektu było lepsze wykorzystanie modeli S2S do dokładniejszego przewidywania fal upałów w południowej Europie. Aby to osiągnąć, zespół projektu wykorzystał podejście, które w dziedzinie przewidywania ekstremalnych zdarzeń pogodowych jest stosunkowo nowe – uczenie maszynowe. „Opracowany przez nas model prognostyczny S2S opiera się na algorytmie optymalizacji, który umożliwia wybranie optymalnych predyktorów z puli czynników, jak również na algorytmie regresji w celu przewidywania występowania fal upałów”, dodaje Drouard.

Trafne przewidywanie regionalnych średnich miesięcznych temperatur

Po pewnym dopracowaniu i przeprowadzeniu dodatkowych testów naukowcom udało się za pomocą modelu uczenia maszynowego przewidzieć regionalne średnie miesięczne temperatury na Półwyspie Iberyjskim z jednomiesięcznym wyprzedzeniem. Osiągnięcie to potwierdza wyniki, jakie uzyskano w ostatnich badaniach dotyczących przewidywania ekstremalnych fal upałów przy użyciu modeli płytkiego uczenia maszynowego. Korzystając z tego samego modelu prognozowania, uczeni wykazali również, że trudniej jest przewidzieć cel o większej złożoności, jak na przykład regionalna intensywność fal upałów w skali miesiąca. „Nasz model nie był w stanie uzyskać trafnej prognozy w przypadku regionalnego wskaźnika intensywności fal upałów”, podkreśla Drouard. „Chociaż może to być postrzegane jako negatywny wynik, w rzeczywistości wyraźnie pokazuje, że zdarzenia ekstremalne są trudne do przewidzenia, jednocześnie dając jasny sygnał, że rozwiązanie wymaga dalszych prac”. Wziąwszy to pod uwagę, naukowcy mogli jednak wykazać, że występują powtarzające się zestawy optymalnych predyktorów, sugerujące, że istnieje możliwość dalszej poprawy przewidywalności, jeśli chodzi o wysokie temperatury i ekstremalne zjawiska występujące w okresie letnim.

Wykazanie korzyści płynących z modeli prognostycznych opartych na uczeniu maszynowym

Projekt ISSUL jest częścią szerszych działań podejmowanych przez społeczność naukową w celu poprawy naszej zdolności do przewidywania ekstremalnych zdarzeń pogodowych w długich skalach czasowych. „Projekt ISSUL potwierdził nie tylko, że modele prognostyczne oparte na uczeniu maszynowym umożliwiają umiejętne prognozowanie średnich miesięcznych temperatur letnich w danym regionie, ale także to, że takie prognozy są łatwiejsze do opracowania, a tym samym gotowe do użycia”, podsumowuje Drouard.

Słowa kluczowe

ISSUL, uczenie maszynowe, fale upałów, prognozy wewnątrzsezonowe i sezonowe, ekstremalna pogoda, prognozowanie pogody, zmiana klimatu

Znajdź inne artykuły w tej samej dziedzinie zastosowania