KI verbessert Monsun-Niederschlagsvorhersagen

Die Monsunzeit in Südasien bringt jedes Jahr zwischen Juni und September heftige Regenfälle für mehr als eine Milliarde Menschen auf dem indischen Subkontinent. Regen fällt in Schüben: In manchen Wochen steht das Wasser 2,5 bis 10 cm hoch, während andere Wochen im Allgemeinen trocken sind. Die Vorhersage, wann diese Trocken- und Regenperioden eintreten werden, ist für die Landwirtschafts- und Stadtplanung von entscheidender Bedeutung, damit die Landwirte wissen, wann sie ernten müssen, und um den Kommunalbehörden bei der Vorbereitung auf Überschwemmungen zu helfen. Obwohl Wettervorhersagen normalerweise innerhalb von ein oder zwei Tagen genau sind, ist es sehr schwierig, das Wetter über eine Woche oder einen Monat genau vorherzusagen.

Es hat sich nun gezeigt, dass eine neue, auf maschinellem Lernen basierende Vorhersage den Monsunniederschlag in Südasien 10 bis 30 Tage im Voraus genauer vorhersagen kann, eine deutliche Verbesserung gegenüber aktuellen Vorhersagen auf dem neuesten Stand der Technik, die digitale Modellierung statt künstlicher Intelligenz verwenden. Vorhersagen zu treffen. Es ist auch wichtig, das Verhalten des Monsuns zu verstehen, da diese Art von Niederschlag ein wichtiges atmosphärisches Merkmal des globalen Klimas ist.

Die Forschung wurde von Eviatar Bach geleitet, einem Postdoktoranden bei Foster and Coco Stanback Environmental Science and Engineering, der in den Labors von Tapio Schneider arbeitet, dem Theodore Y. Wu-Professor für Umweltwissenschaften und -technik und leitender Forscher am JPL; und Andrew Stuart, Bren-Professor für Informatik und Mathematik.

Ein Artikel, der die neue Methode beschreibt, erscheint im Verfahren der Nationalen Akademie der Wissenschaften.

„Es besteht große Sorge darüber, wie sich der Klimawandel auf den Monsun und andere Wetterereignisse wie Hurrikane, Hitzewellen usw. auswirken wird“, sagt Bach. „Die Verbesserung von Vorhersagen auf kürzeren Zeitskalen ist ein wichtiger Teil der Reaktion auf den Klimawandel, denn wir müssen in der Lage sein, die Vorbereitung auf diese Ereignisse zu verbessern.“

Es ist schwierig, das Wetter vorherzusagen, da die Atmosphäre viele Instabilitäten aufweist (z. B. wird die Atmosphäre kontinuierlich durch die Erde erwärmt, was zu kalter, dichterer Luft über wärmerer, weniger dichter Luft führt) sowie Instabilitäten, die durch ungleichmäßige Erwärmung usw. verursacht werden Erdrotation. Diese Instabilitäten führen zu einer chaotischen Situation, in der sich Fehler und Unsicherheiten bei der Modellierung des Verhaltens der Atmosphäre rapide vervielfachen und eine längerfristige Vorhersage nahezu unmöglich machen.

Aktuelle Modelle auf dem neuesten Stand der Technik verwenden numerische Modelle, eine Computersimulation der Atmosphäre auf der Grundlage physikalischer Gleichungen, die die Flüssigkeitsbewegung beschreiben. Aufgrund des Chaos beträgt die maximal zu erwartende Dauer von Großwetterereignissen typischerweise etwa 10 Tage. Auch die Vorhersage des langfristigen durchschnittlichen Verhaltens der Atmosphäre, also des Klimas, ist möglich, doch die Vorhersage des Wetters in einem Zeitintervall zwischen zwei Wochen und mehreren Monaten ist mit digitalen Modellen eine Herausforderung.

Während des südasiatischen Monsuns fällt der Regen in der Regel in Zyklen intensiver Schübe, gefolgt von Trockenperioden. Diese Zyklen werden als intrasaisonale Monsunoszillationen (MISO) bezeichnet. In dieser neuen Forschung fügten Bach und Kollegen den aktuellen numerischen Modellen auf dem neuesten Stand eine Komponente des maschinellen Lernens hinzu. Dies ermöglichte es den Forschern, MISO-Daten zu sammeln und bessere Vorhersagen über Niederschläge auf der schwer fassbaren Zeitskala von zwei bis vier Wochen zu treffen. Das resultierende Modell konnte die Korrelationen von Vorhersagen mit Beobachtungen um bis zu 70 % verbessern.

„In den letzten Jahren ist das Interesse daran, maschinelles Lernen für die Wettervorhersage zu nutzen, gestiegen“, sagt Bach. „Unsere Arbeit zeigt, dass eine Kombination aus maschinellem Lernen und traditionellerer numerischer Modellierung genaue Ergebnisse liefern kann.“

Der Artikel trägt den Titel „Verbesserung der subsaisonalen Vorhersage von Monsunniederschlägen in Südasien mithilfe von Vorhersagen auf der Grundlage von Oszillationsmodusdaten.“ Co-Autoren sind neben Bach V. Krishnamurthy und Jagadish Shukla von der George Mason University; Safa Mote von der Portland State University; A. Surjalal Sharma und Eugenia Kalnay von der University of Maryland; und Michael Ghil von der École Normale Supérieure de Paris, der UCLA und dem Imperial College London.