Le nuvole possono essere sottili sbuffi di vapore acqueo alla deriva nel cielo, ma sono pesanti dal punto di vista computazionale per gli scienziati che vogliono tenerne conto nelle simulazioni climatiche. Ricercatori dell'Università della California, Irvine, la Ludwig Maximilian University di Monaco e la Columbia University si sono rivolte alla scienza dei dati per ottenere risultati migliori nel calcolo del cumulo.

Il loro lavoro è dettagliato in uno studio pubblicato online di recente da Atti dell'Accademia Nazionale delle Scienze .

"Le nuvole svolgono un ruolo importante nel clima terrestre trasportando calore e umidità, riflettendo e assorbendo i raggi del sole, intrappolando i raggi infrarossi di calore e producendo precipitazioni, " ha detto il co-autore Michael Pritchard, Professore assistente UCI di scienze del sistema terrestre. "Ma possono essere piccole anche poche centinaia di metri, molto più piccolo di una risoluzione della griglia del modello climatico standard da 50 a 100 chilometri, quindi simularli in modo appropriato richiede un'enorme quantità di tempo e potenza del computer."

I modelli standard di previsione del clima approssimano la fisica delle nuvole utilizzando semplici algoritmi numerici che si basano su ipotesi imperfette sui processi coinvolti. Pritchard ha affermato che mentre possono aiutare a produrre simulazioni che si estendono fino a un secolo, ci sono alcune imperfezioni che ne limitano l'utilità, come indicare una pioggerellina anziché una pioggia più realistica e l'assenza totale di altri modelli meteorologici comuni.

Secondo Pritchard, la comunità climatica concorda sui vantaggi delle simulazioni ad alta fedeltà che supportano una ricca diversità di sistemi cloud in natura.

"Ma la mancanza di potenza del supercomputer, o il tipo sbagliato, significa che questo è ancora molto lontano, "disse. "Nel frattempo, il campo deve far fronte a enormi margini di errore su questioni relative ai cambiamenti nelle precipitazioni future e su come i cambiamenti delle nuvole amplificheranno o contrasteranno il riscaldamento globale dalle emissioni di gas serra".

Il team voleva esplorare se il deep machine learning potesse fornire un efficiente, un'alternativa oggettiva e basata sui dati che potrebbe essere rapidamente implementata nelle previsioni climatiche tradizionali. Il metodo si basa su algoritmi informatici che imitano le capacità di pensiero e di apprendimento della mente umana.

Hanno iniziato addestrando una rete neurale profonda per prevedere i risultati di migliaia di minuscoli, bidimensionale, modelli di risoluzione delle nuvole mentre interagivano con modelli meteorologici su scala planetaria in un mondo oceanico fittizio.

Il nuovo programma di insegnamento, soprannominato "Il cervello delle nuvole, " ha funzionato liberamente nel modello climatico, secondo i ricercatori, portando a simulazioni pluriennali stabili e accurate che includevano precipitazioni estreme realistiche e onde tropicali.

"La rete neurale ha imparato a rappresentare approssimativamente i vincoli fisici fondamentali sul modo in cui le nuvole spostano il calore e il vapore senza che gli sia stato esplicitamente detto di farlo, e il lavoro è stato svolto con una frazione della potenza di elaborazione e del tempo necessari per l'approccio di modellazione cloud originale, " ha detto l'autore principale Stephan Rasp, uno studente di dottorato in meteorologia LMU che ha iniziato a collaborare con Pritchard su questo progetto come visiting scholar presso UCI.

"Sono super entusiasta che ci siano voluti solo tre mesi simulati di output del modello per addestrare questa rete neurale, "Ha detto Pritchard. "Puoi fare molta più giustizia alla fisica delle nuvole se hai solo bisogno di simulare un centinaio di giorni di atmosfera globale. Ora che sappiamo che è possibile, sarà interessante vedere come si comporta questo approccio quando viene distribuito su alcuni dati di addestramento davvero ricchi."

I ricercatori intendono condurre studi successivi per estendere la loro metodologia a configurazioni di modelli più complicate, compresa la geografia realistica, e comprendere i limiti dell'apprendimento automatico per l'interpolazione rispetto all'estrapolazione al di là del suo set di dati di addestramento, una domanda chiave per alcune applicazioni del cambiamento climatico che viene affrontata nel documento.

"Il nostro studio mostra un chiaro potenziale per i modelli climatici e meteorologici basati sui dati, " ha detto Pritchard. "Abbiamo visto la visione artificiale e l'elaborazione del linguaggio naturale iniziare a trasformare altri campi della scienza, come la fisica, biologia e chimica. Ha senso applicare alcuni di questi nuovi principi alla scienza del clima, quale, Dopotutto, è fortemente incentrato su grandi insiemi di dati, soprattutto in questi giorni, poiché nuovi tipi di modelli globali stanno iniziando a risolvere le nuvole e le turbolenze reali".

Pierre Gentine, professore associato di ingegneria della Terra e dell'ambiente presso la Columbia University, partecipato anche a questo studio, che è stato finanziato dal Dipartimento dell'Energia degli Stati Uniti, NASA, la National Science Foundation e la German Research Foundation.

Circa l'Università della California, Irvine:Fondata nel 1965, UCI è il membro più giovane della prestigiosa Association of American Universities. Il campus ha prodotto tre premi Nobel ed è noto per i suoi risultati accademici, ricerca di prim'ordine, innovazione e mascotte formichiere. Guidato dal Cancelliere Howard Gillman, UCI ha più di 30, 000 studenti e offre 192 corsi di laurea. Si trova in una delle comunità più sicure ed economicamente più vivaci del mondo ed è il secondo datore di lavoro di Orange County, contribuendo con $ 5 miliardi all'anno all'economia locale. Per saperne di più sull'UCI, visita http://www.uci.edu.