Deep Learning gibt Aufschluss über vergangene und zukünftige atmosphärische Blockierungsereignisse

Atmosphärische Blockierungsereignisse sind anhaltende Wetterbedingungen mit starken Auswirkungen, die auftreten, wenn große Hochdrucksysteme stationär werden und Jetstream- und Sturmspuren für Tage oder sogar Wochen umleiten. Sie können mit Überschwemmungen oder rekordverdächtigen Hitzewellen verbunden sein, z in Europa im Jahr 2023.

In einer aktuellen Studie veröffentlicht in Erd- und UmweltkommunikationChristina Karamperidou, Atmosphärenforscherin an der University of Hawaii in Mānoa, nutzte ein Deep-Learning-Modell, um die Häufigkeit von Blockierungsereignissen in den letzten 1.000 Jahren abzuleiten und Aufschluss über die zukünftigen Auswirkungen des Klimawandels auf diese wichtigen Phänomene zu geben.

„Ziel dieser Studie war es, mithilfe eines Deep-Learning-Modells, das aus der Oberflächentemperatur auf die atmosphärische Blockierungsfrequenz schließt, aus Paläoklimaaufzeichnungen ein Paläowettersignal zu extrahieren“, sagte Karamperidou. „Dies ist eine einzigartige Studie und der erste Versuch, eine lange Aufzeichnung von Blockierungsfrequenzen auf der Grundlage ihrer Beziehung zur Oberflächentemperatur zu rekonstruieren, die komplex und unbekannt ist. Methoden des maschinellen Lernens können für solche Aufgaben sehr leistungsfähig sein.“

Trainieren Sie das Deep-Learning-Modell

Karamperidou entwickelte ein spezielles Deep-Learning-Modell, das sie anhand historischer Daten und großer Mengen an Klimamodellsimulationen trainierte. Das Modell war dann in der Lage, die Häufigkeit von Blockierungsereignissen aus Anomalien in saisonalen Temperaturrekonstruktionen im letzten Jahrtausend abzuleiten. Diese Rekonstruktionen vergangener Temperaturen werden durch große Netzwerke temperaturempfindlicher Baumringaufzeichnungen während der Vegetationsperiode relativ gut eingeschränkt.

„Dieser Ansatz zeigt, dass Deep-Learning-Modelle leistungsstarke Werkzeuge zur Überwindung des seit langem bestehenden Problems der Paläoklima-Extraktion sind“, sagte Karamperidou. „Dieser Ansatz lässt sich auch für die instrumentelle Periode der Klimageschichte anwenden, die im 18. Jahrhundert begann, als routinemäßige Wettermessungen durchgeführt wurden, da uns verlässliche Daten zur Identifizierung von Blockaden erst ab den Jahren 1940 oder möglicherweise erst seit der Satellitenzeit vorliegen.“ (nach der Satellitenära 1979).“

Häufigkeit zukünftiger Blockierungsereignisse

Es besteht noch kein wissenschaftlicher Konsens darüber, wie der Klimawandel die Häufigkeit von Blockierungsereignissen verändern wird. Diese starken und anhaltenden Hochdrucksysteme in den mittleren Breiten können erhebliche Auswirkungen auf Hawaii haben, wo Überschwemmungen mit anhaltenden Blockaden im Nordpazifik einhergehen, und auch auf der ganzen Welt, beispielsweise im pazifischen Nordwesten und in Europa, wo Sommersperren zu extremer Hitze führen können. Wellen.

Für Hawaii ist es daher sehr wichtig, Veränderungen in der Häufigkeit dieser Ereignisse zu verstehen, insbesondere im Zusammenhang mit anderen wichtigen Klimafaktoren wie El Niño und langfristigen Trends bei den Meeresoberflächentemperaturen im tropischen Pazifik. Diese Studie ermöglichte es Karamperidou, die Blockierungshäufigkeiten in den mittleren und hohen Breiten mit der tropischen Klimavariabilität des Pazifiks im langen Kontext des letzten Jahrtausends in Beziehung zu setzen, was für die Validierung des Klimamodells und zur Reduzierung von Unsicherheiten in der Blockierungszukunft von wesentlicher Bedeutung ist Klimaprojektionen.

Offene Forschung und Transparenz

Karamperidou arbeitete mit zwei Studenten der UH Mānoa zusammen, um eine einzigartige Weboberfläche zur Erkundung des Deep-Learning-Modells und der daraus resultierenden Rekonstruktionen zu erstellen. Sie betonte, dass der Austausch von Ergebnissen und Methoden auf diese Weise für Best Practices und offene Forschungstransparenz wichtig sei, insbesondere da die Anwendung von maschinellem Lernen und künstlicher Intelligenz in vielen Bereichen des täglichen Lebens schnell zunehme.

In der Zukunft plant Karamperidou, eine Reihe von Funktionen und architektonischen Verbesserungen des Deep-Learning-Modells zu untersuchen, um seine Anwendungen auf Klimaphänomene und -variablen zu erweitern, die direkt mit starken sozioökonomischen Auswirkungen verbunden sind.