Oggi, prevedere cosa ha in serbo il futuro per il clima della Terra significa affrontare le incertezze. Per esempio, le principali proiezioni climatiche del Gruppo intergovernativo di esperti sui cambiamenti climatici (IPCC) hanno messo in evidenza l'aumento della temperatura globale dovuto al raddoppio della CO atmosferica ₂ livelli - indicati come "sensibilità climatica" - ovunque tra 1,5 gradi C e 4,5 C. Quel divario, che non si è mosso dal primo rapporto IPCC nel 1990, ha profonde implicazioni per il tipo di eventi ambientali a cui l'umanità potrebbe volersi preparare.

Parte dell'incertezza sorge a causa della variabilità non forzata, cambiamenti che si verificherebbero anche in assenza di aumenti di CO ₂ —ma in parte nasce dalla necessità di modelli per simulare processi complessi come nuvole e convezione. Recentemente, gli scienziati del clima hanno cercato di restringere gli intervalli di incertezza nei modelli climatici utilizzando una recente rivoluzione nell'informatica. Apprendimento automatico, che è già stato implementato per una serie di applicazioni (scoperta di farmaci, controllo del traffico aereo, e software di riconoscimento vocale, Per esempio), si sta ora espandendo nella ricerca sul clima, con l'obiettivo di ridurre l'incertezza nei modelli climatici, in particolare per quanto riguarda la sensibilità climatica e la previsione delle tendenze regionali, due dei maggiori colpevoli di incertezza.

Paul O'Gorman, professore associato presso il Dipartimento della Terra del MIT, Scienze Atmosferiche e Planetarie (EAPS) e membro del Programma in Atmosfere, Oceani e clima, discute dove l'apprendimento automatico si inserisce nella modellazione del clima, possibili insidie ​​e loro rimedi, e le aree in cui è probabile che l'approccio abbia maggior successo.

D:La sensibilità climatica ei cambiamenti climatici regionali sembrano essere fonte di frustrazione per i ricercatori. Quali sono gli ostacoli lì, e come può aiutare il machine learning?

R:I modelli climatici attuali sono già molto utili da un lato, ma devono anche affrontare problemi molto impegnativi, due dei quali hai citato:la sensibilità al clima per un raddoppio dell'anidride carbonica e gli aspetti regionali dei cambiamenti climatici, Per esempio, come cambiano le precipitazioni in un determinato paese. Per entrambi questi problemi vorremmo avere modelli climatici più accurati, e devono anche essere veloci perché devono essere eseguiti per più di mille anni, tipicamente, solo per arrivare a loro nello stato climatico attuale prima di andare avanti nei climi futuri.

Quindi è una questione di precisione ed efficienza. Tradizionalmente, i modelli climatici sono in gran parte basati sulla fisica e sulla chimica dell'atmosfera e dell'oceano, e processi sulla superficie terrestre. Ma non possono includere tutto ciò che sta accadendo nell'atmosfera fino a una scala millimetrica o inferiore, quindi devono includere alcune formule empiriche. E quelle formule empiriche sono chiamate parametrizzazioni. Le parametrizzazioni rappresentano processi complessi, come le nuvole e la convezione atmosferica - un esempio dei quali sarebbero i temporali - che si verificano su piccola scala rispetto alle dimensioni della Terra, quindi sono difficili da rappresentare con precisione per i modelli climatici globali.

Un'idea che è emersa negli ultimi due anni è quella di utilizzare l'apprendimento automatico per rappresentare in modo più accurato questi aspetti su piccola scala dell'atmosfera e dell'oceano. L'idea sarebbe quella di eseguire un molto costoso, modello ad alta risoluzione in grado di risolvere il processo che ti interessa, Per esempio, nuvole poco profonde, e quindi utilizzare l'apprendimento automatico per imparare da quelle simulazioni. Questo è il primo passo. Il secondo passo sarebbe quello di incorporare l'algoritmo di apprendimento automatico in un modello climatico per dare, auspicabilmente, un modello climatico più veloce e accurato. Ed è quello che stanno esplorando diversi gruppi in tutto il mondo.

D:Fino a che punto l'algoritmo di apprendimento automatico può generalizzare da una situazione climatica, o una regione, ad un altro?

A:Questo è un grosso punto interrogativo. Quello che abbiamo scoperto finora è che se ti alleni sul clima attuale e provi a simulare un clima molto più caldo, l'algoritmo di apprendimento automatico fallirà perché si basa su analogie con situazioni del clima attuale che non si estendono al clima più caldo con temperature più elevate. Per esempio, le nuvole nell'atmosfera tendono a salire più in alto in un clima più caldo. Quindi questa è una limitazione se ti alleni solo sul clima attuale, ma ovviamente è possibile anche l'addestramento sui climi più caldi in modelli ad alta risoluzione.

interessante, abbiamo scoperto per la convezione atmosferica che se ti alleni sul clima attuale e poi vai in un clima più freddo, l'approccio di apprendimento automatico funziona bene. Quindi c'è un'asimmetria tra il riscaldamento o il raffreddamento e quanto bene questi algoritmi possono generalizzare, at least for the case of atmospheric convection. The reason that the machine learning algorithm can generalize in the case of a cooling climate is that it can find examples at higher latitudes in the current climate to match the tropics of the colder climate. So different climates in different regions of the world help with generalization for climate change.

The other thing that may help is events like El Niño, where the global atmosphere on average gets a bit warmer, and so that could provide an analogy from which to learn. It's not a perfect analogy with global warming, but some of the same physics may be operating at higher temperatures so that could be something that the machine learning algorithm would automatically leverage to help to generalize to warmer climates.

Q:Does that mean there are certain areas of the climate system that machine learning will work better for versus others?

A:I was suggesting that we should train our machine learning algorithms on very expensive high-resolution simulations, but that only makes sense, Certo, if we have accurate high-resolution simulations for the process we are interested in. What we've been studying—atmospheric convection—is a good candidate because we can do quite accurate high-resolution simulations.

D'altra parte, if one was interested in, Per esempio, how the land surface responds to climate change and how it interacts with the atmosphere above it, it's more difficult because there's lots of complexity. We have different types of plants, different soil. It's very heterogeneous. It's not as straightforward to get the truth from which you want to learn from models in that case. And then if we say, "Well, for aspects of the climate system that don't have accurate expensive simulations, can we instead use observations?" Perhaps. But then we come back to the problem of trying to generalize to a different climate. So, I definitely think there are different parts of the climate system that are more amenable to the machine learning approach than others.

Anche, some aspects of climate model simulations are already very good. Models are already doing well in simulating the large scale fluid dynamics of the atmosphere, Per esempio. So those parts of climate models are very unlikely to be replaced with machine learning approaches that would be less flexible than a purely physics-based approach.

Questa storia è stata ripubblicata per gentile concessione di MIT News (web.mit.edu/newsoffice/), un popolare sito che copre notizie sulla ricerca del MIT, innovazione e didattica.