• Home
  • Chimica
  • Astronomia
  • Energia
  • Natura
  • Biologia
  • Fisica
  • Elettronica
  •  Science >> Scienza >  >> Natura
    Previsioni meteorologiche estreme:l’algoritmo avvicina le simulazioni climatiche esistenti alla realtà futura
    Descrizione del metodo che apprende una mappa tra l'attrattore delle equazioni grossolanamente risolte e l'attrattore della traiettoria di riferimento. A sinistra:la curva rossa tratteggiata rappresenta la traiettoria di riferimento. La curva nera è una traiettoria leggermente risolta verso la traiettoria di riferimento. La curva verde è la traiettoria a corsa libera risolta grossolanamente che non viene utilizzata per l'addestramento (mostrata come riferimento). A destra:l'attrattore target e la traiettoria target (rossa), come la curva tratteggiata mostrata nel grafico a sinistra. Credito:Journal of Advances in Modeling Earth Systems (2024). DOI:10.1029/2023MS004122

    Per valutare il rischio di condizioni meteorologiche estreme per una comunità, i politici si affidano innanzitutto a modelli climatici globali che possono essere applicati per decenni, e persino secoli, in avanti nel tempo, ma solo con una risoluzione grossolana. Questi modelli potrebbero essere utilizzati per valutare, ad esempio, le future condizioni climatiche per gli Stati Uniti nordorientali ma non specificamente per Boston.



    Per stimare il rischio futuro di Boston di condizioni meteorologiche estreme come le inondazioni, i politici possono combinare le previsioni su larga scala di un modello grossolano con un modello a risoluzione più precisa ottimizzato per stimare la frequenza con cui Boston potrebbe subire inondazioni dannose a causa del riscaldamento del clima. Ma questa analisi del rischio è accurata tanto quanto le previsioni di quel primo modello climatico più grossolano.

    "Se si sbagliano per gli ambienti su larga scala, si perde tutto in termini di come appariranno gli eventi estremi su scala più piccola, ad esempio su singole città", afferma Themistoklis Sapsis, professore William I. Koch e direttore del Centro per l'ingegneria oceanica presso il Dipartimento di ingegneria meccanica del MIT.

    Sapsis e i suoi colleghi hanno ora sviluppato un metodo per “correggere” le previsioni dei modelli climatici grossolani. Combinando l'apprendimento automatico con la teoria dei sistemi dinamici, l'approccio del team "spinge" le simulazioni di un modello climatico verso modelli più realistici su larga scala.

    Se abbinato a modelli su scala più piccola per prevedere eventi meteorologici specifici come cicloni tropicali o inondazioni, l’approccio del team ha prodotto previsioni più accurate sulla frequenza con cui luoghi specifici subiranno tali eventi nei prossimi decenni, rispetto alle previsioni fatte senza lo schema di correzione.

    Questa animazione mostra l'evoluzione delle tempeste attorno all'emisfero settentrionale, come risultato di un modello di tempesta ad alta risoluzione, combinato con il modello climatico globale corretto del team del MIT. La simulazione migliora la modellazione dei valori estremi di vento, temperatura e umidità, che in genere presentano errori significativi nei modelli a scala grossolana. Credito:per gentile concessione di Ruby Leung e Shixuan Zhang, PNNL

    Sapsis afferma che il nuovo schema di correzione ha una forma generale e può essere applicato a qualsiasi modello climatico globale. Una volta corretti, i modelli possono aiutare a determinare dove e con quale frequenza si verificheranno condizioni meteorologiche estreme con l'aumento delle temperature globali nei prossimi anni.

    "Il cambiamento climatico avrà un effetto su ogni aspetto della vita umana e su ogni tipo di vita del pianeta, dalla biodiversità alla sicurezza alimentare fino all'economia", afferma Sapsis. "Se abbiamo la capacità di sapere con precisione come cambieranno le condizioni meteorologiche estreme, soprattutto in luoghi specifici, ciò può fare molta differenza in termini di preparazione e di esecuzione della giusta ingegneria per trovare soluzioni. Questo è il metodo che può aprire la strada modo per farlo."

    I risultati del team vengono pubblicati oggi sul Journal of Advances in Modeling Earth Systems .

    Sopra il cofano

    Gli odierni modelli climatici su larga scala simulano le caratteristiche meteorologiche, come la temperatura media, l'umidità e le precipitazioni in tutto il mondo, su base griglia per griglia. L'esecuzione di simulazioni di questi modelli richiede un'enorme potenza di calcolo e, per simulare il modo in cui le caratteristiche meteorologiche interagiranno e si evolveranno per periodi di decenni o più, i modelli calcolano la media delle caratteristiche ogni 100 chilometri circa.

    "Si tratta di un calcolo molto pesante che richiede supercomputer", osserva Sapsis. "Ma questi modelli ancora non risolvono processi molto importanti come nuvole o tempeste, che si verificano su scale più piccole di un chilometro o meno."

    Per migliorare la risoluzione di questi modelli climatici grossolani, gli scienziati in genere vanno dietro le quinte per cercare di correggere le equazioni dinamiche sottostanti di un modello, che descrivono come i fenomeni nell'atmosfera e negli oceani dovrebbero interagire fisicamente.

    "Le persone hanno cercato di analizzare i codici dei modelli climatici che sono stati sviluppati negli ultimi 20 o 30 anni, il che è un incubo perché puoi perdere molta stabilità nella simulazione", spiega Sapsis. "Quello che stiamo facendo è un approccio completamente diverso, in quanto non stiamo cercando di correggere le equazioni ma invece di correggere l'output del modello."

    Il nuovo approccio del team prende l'output di un modello, o simulazione, e sovrappone un algoritmo che spinge la simulazione verso qualcosa che rappresenta più da vicino le condizioni del mondo reale.

    L’algoritmo si basa su uno schema di apprendimento automatico che raccoglie dati, come informazioni passate su temperatura e umidità in tutto il mondo, e apprende associazioni all’interno dei dati che rappresentano dinamiche fondamentali tra le caratteristiche meteorologiche. L'algoritmo utilizza quindi queste associazioni apprese per correggere le previsioni di un modello.

    "Quello che stiamo facendo è cercare di correggere le dinamiche, ad esempio il modo in cui una caratteristica meteorologica estrema, come la velocità del vento durante un evento di uragano Sandy, apparirà nel modello approssimativo rispetto alla realtà", afferma Sapsis.

    "Il metodo apprende le dinamiche e le dinamiche sono universali. Avere le dinamiche corrette alla fine porta a statistiche corrette, ad esempio la frequenza di eventi estremi rari."

    Correzione climatica

    Come primo test del loro nuovo approccio, il team ha utilizzato lo schema di apprendimento automatico per correggere le simulazioni prodotte dall’Energy Exascale Earth System Model (E3SM), un modello climatico gestito dal Dipartimento dell’Energia degli Stati Uniti che simula i modelli climatici in tutto il mondo a livello globale. una risoluzione di 110 chilometri.

    I ricercatori hanno utilizzato otto anni di dati passati su temperatura, umidità e velocità del vento per addestrare il loro nuovo algoritmo, che ha appreso le associazioni dinamiche tra le caratteristiche meteorologiche misurate e il modello E3SM. Hanno poi portato avanti il ​​modello climatico nel tempo per circa 36 anni e applicato l'algoritmo addestrato alle simulazioni del modello.

    Hanno scoperto che la versione corretta produceva modelli climatici che corrispondevano più da vicino alle osservazioni del mondo reale degli ultimi 36 anni, non utilizzati per la formazione.

    "Non stiamo parlando di enormi differenze in termini assoluti", afferma Sapsis. "Un evento estremo nella simulazione non corretta potrebbe essere di 105 gradi Fahrenheit contro 115 gradi con le nostre correzioni. Ma per gli esseri umani che sperimentano questo, questa è una grande differenza."

    Quando il team ha poi accoppiato il modello grossolano corretto con un modello specifico dei cicloni tropicali a risoluzione più precisa, ha scoperto che l'approccio riproduceva accuratamente la frequenza delle tempeste estreme in località specifiche in tutto il mondo.

    "Ora disponiamo di un modello approssimativo che può fornire la giusta frequenza degli eventi per il clima attuale. È molto più migliorato", afferma Sapsis. "Una volta corretta la dinamica, si tratta di una correzione rilevante, anche quando si ha una temperatura media globale diversa, e può essere utilizzata per comprendere come appariranno gli incendi boschivi, le inondazioni e le ondate di calore in un clima futuro. Il nostro lavoro in corso. si sta concentrando sull'analisi degli scenari climatici futuri."

    "I risultati sono particolarmente impressionanti in quanto il metodo mostra risultati promettenti su E3SM, un modello climatico all'avanguardia", afferma Pedram Hassanzadeh, professore associato che guida il gruppo Climate Extremes Theory and Data presso l'Università di Chicago ed è stato non coinvolti nello studio. "Sarebbe interessante vedere quali proiezioni sui cambiamenti climatici questo quadro produrrà una volta incorporati i futuri scenari di emissione di gas serra."

    Ulteriori informazioni: B. Barthel Sorensen et al, Un quadro di apprendimento automatico non intrusivo per il debiasing delle simulazioni climatiche a risoluzione grossolana a lungo termine e la quantificazione delle statistiche degli eventi rari, Journal of Advances in Modeling Earth Systems (2024). DOI:10.1029/2023MS004122

    Fornito dal Massachusetts Institute of Technology

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




    © Scienza https://it.scienceaq.com