For å vurdere risikoen for ekstremvær i et lokalsamfunn bruker beslutningstakere først globale klimamodeller som kan kjøres flere tiår og til og med århundrer frem i tid, men bare med en grov oppløsning. Disse modellene kan for eksempel brukes til å måle fremtidige klimaforhold for det nordøstlige USA, men ikke spesifikt for Boston.

For å estimere Bostons fremtidige risiko for ekstremvær, for eksempel flom, kan beslutningstakere kombinere en grov modells storskalaforutsigelser med en modell med finere oppløsning, som er innstilt for å estimere hvor ofte Boston sannsynligvis vil oppleve ødeleggende oversvømmelser etter hvert som klimaet blir varmere. Men denne risikoanalysen er bare så nøyaktig som forutsigelsene fra den første, grovere klimamodellen.

“Hvis du tar feil når det gjelder storskala miljøer, går du glipp av alt når det gjelder hvordan ekstremhendelser vil se ut på mindre skala, for eksempel over enkeltbyer”, sier Themistoklis Sapsis, William I. Koch-professor og direktør for Center for Ocean Engineering ved MITs avdeling for maskinteknikk.

Sapsis og kollegene hans har nå utviklet en metode for å “korrigere” prognosene fra grove klimamodeller. Ved å kombinere maskinlæring med teori om dynamiske systemer “dulter” de klimamodellens simuleringer inn i mer realistiske mønstre over store skalaer. I kombinasjon med modeller i mindre skala for å forutsi spesifikke værhendelser som tropiske sykloner eller oversvømmelser, ga teamets tilnærming mer nøyaktige prognoser for hvor ofte spesifikke steder vil oppleve disse hendelsene i løpet av de neste tiårene, sammenlignet med prognoser som ble gjort uten korreksjonsskjemaet.

Sapsis sier at det nye korreksjonsskjemaet er generelt og kan brukes på alle globale klimamodeller. Når modellene er korrigert, kan de bidra til å avgjøre hvor og hvor ofte ekstremvær vil inntreffe etter hvert som de globale temperaturene stiger i årene som kommer.

“Klimaendringene vil påvirke alle aspekter av menneskelivet og alle typer liv på planeten, fra biologisk mangfold til matsikkerhet og økonomi”, sier Sapsis. “Hvis vi har mulighet til å vite nøyaktig hvordan ekstremværet vil endre seg, spesielt på bestemte steder, kan det utgjøre en stor forskjell når det gjelder forberedelser og riktig ingeniørarbeid for å finne løsninger. Dette er metoden som kan åpne veien for å gjøre det.”

Teamets resultater publiseres i dag i Journal of Advances in Modeling Earth Systems. Medforfattere av studien fra MIT er postdoktor Benedikt Barthel Sørensen og Alexis-Tzianni Charalampopoulos SM ’19, PhD ’23, sammen med Shixuan Zhang, Bryce Harrop og Ruby Leung fra Pacific Northwest National Laboratory i delstaten Washington.

Over panseret

Dagens storskala klimamodeller simulerer værforhold som gjennomsnittstemperatur, luftfuktighet og nedbør over hele verden, på rutenett-for-rutenett-basis. Det kreves enorm datakraft for å kjøre simuleringer av disse modellene, og for å simulere hvordan værforholdene vil samhandle og utvikle seg over flere tiår eller lengre perioder, beregner modellene gjennomsnittet for hver 100. kilometer.

“Det er en svært tung beregning som krever superdatamaskiner”, sier Sapsis. “Men disse modellene løser fortsatt ikke opp viktige prosesser som skyer eller stormer, som forekommer på mindre skalaer på en kilometer eller mindre.”

For å forbedre oppløsningen i disse grove klimamodellene har forskere vanligvis gått under panseret for å prøve å fikse modellens underliggende dynamiske ligninger, som beskriver hvordan fenomener i atmosfæren og havene skal samhandle fysisk.

“Folk har forsøkt å dissekere klimamodellkodene som har blitt utviklet de siste 20-30 årene, noe som er et mareritt, fordi du kan miste mye stabilitet i simuleringen”, forklarer Sapsis. “Det vi gjør, er en helt annen tilnærming, i og med at vi ikke prøver å korrigere ligningene, men i stedet korrigere modellens resultater.”

Teamets nye tilnærming tar utgangspunkt i modellens resultat, eller simulering, og legger på en algoritme som styrer simuleringen i retning av noe som i større grad representerer virkelige forhold. Algoritmen er basert på et maskinlæringsopplegg som tar inn data, for eksempel tidligere informasjon om temperatur og luftfuktighet rundt om i verden, og lærer seg assosiasjoner i dataene som representerer grunnleggende dynamikk blant værfunksjonene. Algoritmen bruker deretter disse innlærte assosiasjonene til å korrigere modellens prediksjoner.

“Det vi gjør, er å prøve å korrigere dynamikken, for eksempel hvordan et ekstremt værelement, som vindhastighetene under orkanen Sandy, vil se ut i den grove modellen sammenlignet med virkeligheten”, sier Sapsis. “Metoden lærer dynamikk, og dynamikk er universelt. Å ha riktig dynamikk fører til slutt til riktig statistikk, for eksempel hyppigheten av sjeldne ekstremhendelser.”

Klimakorreksjon

Som en første test av den nye tilnærmingen brukte teamet

maskinlæringsopplegget til å korrigere simuleringer produsert av Energy Exascale Earth System Model (E3SM), en klimamodell som drives av det amerikanske energidepartementet og som simulerer klimamønstre over hele verden med en oppløsning på 110 kilometer. Forskerne brukte åtte år med tidligere data for temperatur, luftfuktighet og vindhastighet til å trene opp den nye algoritmen, som lærte seg dynamiske sammenhenger mellom de målte værfunksjonene og E3SM-modellen. Deretter kjørte de klimamodellen fremover i tid i ca. 36 år og brukte den opplærte algoritmen på modellens simuleringer. De fant ut at den korrigerte versjonen ga klimamønstre som stemte bedre overens med virkelige observasjoner fra de siste 36 årene, som ikke ble brukt til trening.

“Vi snakker ikke om store forskjeller i absolutte tall”, sier Sapsis. “En ekstrem hendelse i den ukorrigerte simuleringen kan være 105 grader Fahrenheit, mot 115 grader med våre korreksjoner. Men for mennesker som opplever dette, er det en stor forskjell.”

Da teamet deretter parret den korrigerte, grove modellen med en spesifikk, finere oppløsningsmodell for tropiske sykloner, fant de ut at tilnærmingen nøyaktig gjengav hyppigheten av ekstreme stormer på spesifikke steder rundt om i verden.

“Vi har nå en grov modell som kan gi deg den riktige frekvensen av hendelser i dagens klima. Den er mye bedre”, sier Sapsis. “Når vi først har korrigert dynamikken, er dette en relevant korreksjon, selv når du har en annen global gjennomsnittstemperatur, og den kan brukes til å forstå hvordan skogbranner, flomhendelser og hetebølger vil se ut i et fremtidig klima. Det pågående arbeidet vårt fokuserer på å analysere fremtidige klimascenarier.”

“Resultatene er spesielt imponerende ettersom metoden viser lovende resultater på E3SM, en toppmoderne klimamodell,” sier Pedram Hassanzadeh, førsteamanuensis som leder Climate Extremes Theory and Data-gruppen ved University of Chicago og ikke var involvert i studien. “Det ville være interessant å se hvilke prognoser for klimaendringer dette rammeverket gir når fremtidige utslippsscenarier for drivhusgasser innlemmes.”