Основной проблемой современных моделей прогнозирования климата является то, как точно представить облака, их атмосферный нагрев и увлажнение. Эта проблема стоит за широким распространением предсказания климата. Тем не менее, точные прогнозы глобального потепления в ответ на увеличение концентрации парниковых газов необходимы для политиков (например, Парижское соглашение по климату).
В статье, недавно опубликованной онлайн в Geophysical Research Letters (23 мая), исследователи во главе с Пьером Гентином, адъюнкт-профессором инженерии земли и окружающей среды в Columbia Engineering, демонстрируют, что методы машинного обучения могут быть использованы для решения этой проблемы и лучше представлять облака в климатических моделях с грубым разрешением (~ 100 км), что может сузить диапазон прогнозов.
«Это может стать настоящим прорывом в прогнозировании климата», - говорит Джентин, ведущий автор статьи и член Института Земли и Института науки о данных. «У нас есть большие неопределенности в наших прогнозах реакции климата Земли на повышение концентрации парниковых газов. Основная причина заключается в представлении облаков и их реакции на изменение этих газов. Наше исследование показывает, что методы машинного обучения помогают нам. лучше представлять облака и, таким образом, лучше предсказывать реакцию глобального и регионального климата на рост концентрации парниковых газов».
Исследователи использовали идеализированную установку (аквапланету или планету с континентами) в качестве доказательства концепции своего нового подхода к конвективной параметризации, основанного на машинном обучении. Они обучили глубокую нейронную сеть учиться на симуляции, которая явно представляет облака. Представление облаков с помощью машинного обучения, которое они назвали «Облачный мозг» (CBRAIN), может умело предсказать многие особенности нагрева, увлажнения и излучения облаков, которые необходимы для моделирования климата.
Гентин отмечает: «Наш подход может открыть новую возможность для будущего представления моделей в климатических моделях, которые управляются данными и строятся «сверху вниз», то есть путем изучения существенных особенностей процессы, которые мы пытаемся представить."
Исследователи также отмечают, что, поскольку чувствительность глобальной температуры к CO2 тесно связана с представлением облаков, CBRAIN также может улучшить оценки будущей температуры. Они проверили это в полностью связанных климатических моделях и продемонстрировали многообещающие результаты, показав, что это можно использовать для прогнозирования реакции на парниковые газы.
rain Behavior Institute, Precision Medicine Initiative и Columbia Nano Initiative. Руководствуясь своим стратегическим видением «Columbia Engineering for Humanity», школа стремится претворять идеи в инновации, которые способствуют устойчивому, здоровому, безопасному, связанному и творческому человечеству.