Una delle principali sfide negli attuali modelli di previsione del clima è come rappresentare con precisione le nuvole e il loro riscaldamento e inumidimento atmosferici. Questa sfida è alla base dell'ampia diffusione nella previsione del clima. Eppure previsioni accurate del riscaldamento globale in risposta all'aumento delle concentrazioni di gas serra sono essenziali per i responsabili politici (ad esempio l'accordo sul clima di Parigi).

In un articolo recentemente pubblicato online in Lettere di ricerca geofisica , ricercatori guidati da Pierre Gentine, professore associato di ingegneria della terra e dell'ambiente presso la Columbia Engineering, dimostrare che le tecniche di apprendimento automatico possono essere utilizzate per affrontare questo problema e rappresentare meglio le nuvole in modelli climatici a risoluzione grossolana (~ 100 km), con la possibilità di restringere il campo di previsione.

"Questo potrebbe essere un vero punto di svolta per la previsione del clima, "dice Gentine, autore principale dell'articolo, e membro dell'Earth Institute e del Data Science Institute. "Abbiamo grandi incertezze nella nostra previsione della risposta del clima terrestre alle crescenti concentrazioni di gas serra. Il motivo principale è la rappresentazione delle nuvole e il modo in cui rispondono a un cambiamento in quei gas. Il nostro studio mostra che le tecniche di apprendimento automatico ci aiutano rappresentare meglio le nuvole e quindi prevedere meglio la risposta del clima globale e regionale alle crescenti concentrazioni di gas serra".

I ricercatori hanno utilizzato una configurazione idealizzata (un pianeta acquatico, o un pianeta con continenti) come prova del concetto per il loro nuovo approccio alla parametrizzazione convettiva basata sull'apprendimento automatico. Hanno addestrato una rete neurale profonda per imparare da una simulazione che rappresenta esplicitamente le nuvole. La rappresentazione machine learning delle nuvole, che chiamarono Cloud Brain (CBRAIN), potrebbe prevedere abilmente gran parte del riscaldamento delle nuvole, inumidire, e caratteristiche radiative che sono essenziali per la simulazione del clima.

note Gentine, "Il nostro approccio potrebbe aprire una nuova possibilità per un futuro di rappresentazione dei modelli nei modelli climatici, che sono guidati dai dati e sono costruiti "dall'alto verso il basso, ' questo è, apprendendo le caratteristiche salienti dei processi che stiamo cercando di rappresentare."

I ricercatori osservano inoltre che, perché la sensibilità della temperatura globale alla CO2 è fortemente legata alla rappresentazione delle nuvole, CBRAIN può anche migliorare le stime della temperatura futura. Lo hanno testato in modelli climatici completamente accoppiati e hanno dimostrato risultati molto promettenti, dimostrando che questo potrebbe essere utilizzato per prevedere la risposta ai gas serra.