Чтобы оценить риск экстремальных погодных условий для сообщества, политики в первую очередь полагаются на глобальные климатические модели, которые можно просчитать на десятилетия и даже столетия вперед во времени, но только с грубым разрешением. Эти модели можно использовать, например, для оценки будущих климатических условий на северо-востоке США, но не конкретно в Бостоне.
Чтобы оценить будущий риск экстремальных погодных явлений в Бостоне, таких как наводнение, политики могут объединить крупномасштабные прогнозы грубой модели с моделью с более высоким разрешением, настроенной для оценки того, как часто Бостон может испытывать разрушительные наводнения по мере потепления климата. Но этот анализ рисков настолько точен, насколько точен прогноз первой, более грубой климатической модели.
«Если вы ошибаетесь применительно к крупномасштабным средам, вы упускаете все с точки зрения того, как экстремальные явления будут выглядеть в меньших масштабах, например, в отдельных городах», — говорит Фемистоклис Сапсис, профессор Уильяма И. Коха и директор Института Уильяма И. Коха. Центр океанической инженерии факультета машиностроения Массачусетского технологического института.
Сапсис и его коллеги теперь разработали метод «исправления» прогнозов на основе грубых климатических моделей. Объединив машинное обучение с теорией динамических систем, подход команды «подталкивает» моделирование климатической модели к более реалистичным моделям в больших масштабах. В сочетании с моделями меньшего масштаба для прогнозирования конкретных погодных явлений, таких как тропические циклоны или наводнения, подход команды позволил получить более точные прогнозы того, как часто определенные места будут испытывать эти явления в течение следующих нескольких десятилетий, по сравнению с прогнозами, сделанными без схемы коррекции.
Сапсис говорит, что новая схема коррекции является общей по форме и может быть применена к любой модели глобального климата. После исправления модели могут помочь определить, где и как часто будут возникать экстремальные погодные условия по мере повышения глобальной температуры в ближайшие годы.
«Изменение климата окажет влияние на каждый аспект человеческой жизни и на каждый тип жизни на планете, от биоразнообразия до продовольственной безопасности и экономики», — говорит Сапсис. «Если у нас есть возможность точно знать, как изменятся экстремальные погодные условия, особенно в конкретных местах, это может иметь большое значение с точки зрения подготовки и правильного проектирования для поиска решений. Это метод, который может открыть путь к этому».
Результаты команды появятся сегодня в Журнал достижений в моделировании систем Земли. Среди соавторов исследования MIT постдок Бенедикт Бартель Соренсен и Алексис-Цианни. Харалампопулос С.М. ’19, доктор философии ’23, с Шисюань Чжан, Брайс Харроп и Руби Люнг из Тихоокеанской северо-западной национальной лаборатории в штате Вашингтон.
За капотом
Сегодняшние крупномасштабные климатические модели имитируют погодные характеристики, такие как средняя температура, влажность и осадки по всему миру, на основе сетки за сеткой. Для моделирования этих моделей требуются огромные вычислительные мощности, и чтобы смоделировать, как погодные характеристики будут взаимодействовать и развиваться в течение десятилетий или дольше, модели усредняют характеристики каждые 100 километров или около того.
«Это очень тяжелые вычисления, требующие суперкомпьютеров», — отмечает Сапсис. «Но эти модели по-прежнему не учитывают очень важные процессы, такие как облака или штормы, которые происходят на меньших масштабах, в километр или меньше».
Чтобы улучшить разрешение этих грубых климатических моделей, ученые обычно пытаются исправить основные динамические уравнения модели, которые описывают, как явления в атмосфере и океанах должны физически взаимодействовать.
«Люди пытались проанализировать коды климатических моделей, которые были разработаны за последние 20–30 лет, и это кошмар, потому что вы можете потерять значительную часть стабильности вашего моделирования», — объясняет Сапсис. «Мы используем совершенно другой подход: мы не пытаемся исправить уравнения, а вместо этого корректируем выходные данные модели».
Новый подход команды использует выходные данные модели, или симуляцию, и накладывает на нее алгоритм, который подталкивает симуляцию к чему-то, что более точно отражает реальные условия. Алгоритм основан на схеме машинного обучения, которая принимает данные, такие как прошлые данные о температуре и влажности по всему миру, и изучает ассоциации в данных, которые представляют фундаментальную динамику между погодными особенностями. Затем алгоритм использует эти изученные ассоциации для корректировки прогнозов модели.
«Мы пытаемся скорректировать динамику, например, то, как экстремальные погодные характеристики, такие как скорость ветра во время урагана «Сэнди», будут выглядеть в грубой модели по сравнению с реальностью», — говорит Сапсис. «Метод изучает динамику, а динамика универсальна. Наличие правильной динамики в конечном итоге приводит к правильной статистике, например, частоте редких экстремальных явлений».
Климатическая коррекция
В качестве первого испытания своего нового подхода команда использовала схему машинного обучения для корректировки симуляций, созданных с помощью Energy Exascale Earth System Model (E3SM), климатической модели, управляемой Министерством энергетики США, которая моделирует климатические условия по всему миру. с разрешением 110 километров. Исследователи использовали данные за восемь лет о температуре, влажности и скорости ветра для обучения своему новому алгоритму, который изучил динамические связи между измеренными погодными особенностями и моделью E3SM. Затем они прогнали климатическую модель вперед примерно на 36 лет и применили обученный алгоритм к моделированию модели. Они обнаружили, что исправленная версия создает климатические модели, которые более точно соответствуют реальным наблюдениям за последние 36 лет и не используются для обучения.
«Мы не говорим об огромных различиях в абсолютном выражении», — говорит Сапсис. «Экстремальным событием в модели без поправок может быть температура 105 градусов по Фаренгейту по сравнению со 115 градусами с нашими поправками. Но для людей, испытывающих это, это большая разница».
Когда команда затем соединила скорректированную грубую модель с конкретной моделью тропических циклонов с более высоким разрешением, они обнаружили, что этот подход точно воспроизводит частоту экстремальных штормов в определенных местах по всему миру.
«Теперь у нас есть грубая модель, которая может дать вам правильную частоту событий для нынешнего климата. Он стал намного лучше», — говорит Сапсис. «Как только мы исправим динамику, это будет актуальной поправкой, даже если у вас другая средняя глобальная температура, и ее можно будет использовать для понимания того, как лесные пожары, наводнения и волны тепла будут выглядеть в будущем климате. Наша текущая работа сосредоточена на анализе будущих климатических сценариев».
«Результаты особенно впечатляют, поскольку метод показывает многообещающие результаты в E3SM, современной климатической модели», — говорит Педрам Хасанзаде, доцент, возглавляющий группу теории и данных о экстремальных климатических явлениях в Чикагском университете. не участвует в исследовании. «Было бы интересно посмотреть, какие прогнозы изменения климата даст эта система, если в нее будут включены будущие сценарии выбросов парниковых газов».
Эту работу частично поддержало Агентство перспективных исследовательских проектов Министерства обороны США.