Deep Learning beleuchtet vergangene und zukünftige atmosphärische Blockierungsereignisse

Atmosphärische Blockierungsereignisse sind anhaltende Wetterereignisse mit starken Auswirkungen, die auftreten, wenn große Hochdrucksysteme stationär werden und den Jetstream und die Sturmbahnen für Tage bis Wochen umlenken. Sie können mit rekordverdächtigen Überschwemmungen oder Hitzewellen wie z wie in Europa im Jahr 2023.

In einem aktuellen Studie veröffentlicht in Kommunikation Erde und UmweltDie Atmosphärenforscherin Christina Karamperidou von der University of Hawai’i in Mānoa nutzte ein Deep-Learning-Modell, um die Häufigkeit von Blockierungsereignissen in den letzten 1.000 Jahren abzuleiten und Aufschluss darüber zu geben, wie sich der zukünftige Klimawandel auf diese bedeutenden Phänomene auswirken könnte.

„Ziel dieser Studie war es, mithilfe eines Deep-Learning-Modells, das aus der Oberflächentemperatur auf die atmosphärische Blockierungshäufigkeit schließt, ein Paläowettersignal aus Paläoklimaaufzeichnungen zu extrahieren“, sagte Karamperidou. „Dies ist eine einzigartige Studie und der erste Versuch, eine lange Aufzeichnung von Blockierungsfrequenzen auf der Grundlage ihrer Beziehung zur Oberflächentemperatur zu rekonstruieren, die komplex und unbekannt ist. Methoden des maschinellen Lernens können für solche Aufgaben sehr leistungsfähig sein.“

Training des Deep-Learning-Modells

Karamperidou entwickelte ein spezielles Deep-Learning-Modell, das sie anhand historischer Daten und großer Ensembles von Klimamodellsimulationen trainierte. Das Modell war dann in der Lage, die Häufigkeit von Blockierungsereignissen aus Anomalien in saisonalen Temperaturrekonstruktionen im letzten Jahrtausend abzuleiten. Diese früheren Temperaturrekonstruktionen werden durch ausgedehnte Netzwerke von Baumringaufzeichnungen, die während der Vegetationsperiode temperaturempfindlich sind, relativ gut eingeschränkt.

„Dieser Ansatz zeigt, dass Deep-Learning-Modelle leistungsstarke Werkzeuge sind, um das seit langem bestehende Problem der Extraktion von Paläowetter aus dem Paläoklima zu überwinden“, sagte Karamperidou. „Dieser Ansatz lässt sich auch für die instrumentelle Periode der Klimageschichte anwenden, die im 18. 1979).“

Häufigkeit zukünftiger Blockierungsereignisse

Es besteht noch kein wissenschaftlicher Konsens darüber, wie der Klimawandel die Häufigkeit von Blockaden verändern wird. Diese starken, anhaltenden Hochdrucksysteme in den mittleren Breiten können erhebliche Auswirkungen auf Hawaii haben, wo Überschwemmungen mit anhaltenden Blockaden im Nordpazifik einhergehen, aber auch weltweit, beispielsweise im pazifischen Nordwesten und in Europa, wo sommerliche Blockaden zu extremer Hitze führen können Wellen.

Daher ist es für Hawaii sehr wichtig, Veränderungen in der Häufigkeit dieser Ereignisse zu verstehen, insbesondere im Zusammenhang mit anderen großen Klimafaktoren wie El Niño und den langfristigen Mustern der Meeresoberflächentemperaturen im tropischen Pazifik. Diese Studie ermöglichte es Karamperidou, Blockierungshäufigkeiten in den mittleren und hohen Breiten mit der Klimavariabilität im tropischen Pazifik im langen Kontext des letzten Jahrtausends in Beziehung zu setzen, was für die Validierung von Klimamodellen und zur Eingrenzung von Unsicherheiten in zukünftigen Klimaprojektionen von Blockierungen von wesentlicher Bedeutung ist.

Offene Forschung und Transparenz

Karamperidou arbeitete mit zwei Studenten der UH Mānoa zusammen, um ein Unikat zu schaffen Web-Interface das Deep-Learning-Modell und die daraus resultierenden Rekonstruktionen zu erkunden. Sie betonte, dass der Austausch von Ergebnissen und Methoden auf diese Weise für die Best Practices und Transparenz von Open Research wichtig sei, insbesondere da sich die Anwendung von maschinellem Lernen und künstlicher Intelligenz schnell auf viele Aspekte des täglichen Lebens ausgeweitet habe.

In Zukunft plant Karamperidou, eine Reihe von Funktionen und architektonischen Verbesserungen des Deep-Learning-Modells zu untersuchen, um seine Anwendungen für Klimaphänomene und Variablen zu erweitern, die in direktem Zusammenhang mit starken sozioökonomischen Auswirkungen stehen.