Blog

Sep 17, 2023

Il nuovo metodo prevede eventi estremi in modo più accurato

NEW YORK, NY — With the rise of extreme weather events, which are becoming more

NEW YORK, NY — Con l’aumento degli eventi meteorologici estremi, che stanno diventando sempre più frequenti nel nostro clima sempre più caldo, le previsioni accurate stanno diventando sempre più cruciali per tutti noi, dagli agricoltori agli abitanti delle città fino alle imprese di tutto il mondo. Ad oggi, i modelli climatici non sono riusciti a prevedere con precisione l’intensità delle precipitazioni, in particolare quelle estreme. Mentre in natura le precipitazioni possono variare, con molti estremi di precipitazioni, i modelli climatici prevedono una variazione minore delle precipitazioni con una preferenza per la pioggia leggera.

I ricercatori hanno lavorato per sviluppare algoritmi che miglioreranno l’accuratezza delle previsioni ma, come riferiscono gli scienziati del clima della Columbia Engineering, manca un’informazione nella parametrizzazione dei modelli climatici tradizionali: un modo per descrivere la struttura e l’organizzazione delle nuvole che è così su scala ridotta da non essere catturato la griglia di calcolo utilizzata. Queste misurazioni dell'organizzazione influenzano le previsioni sia dell'intensità delle precipitazioni che della sua stocasticità, la variabilità delle fluttuazioni casuali nell'intensità delle precipitazioni. Finora non esisteva un modo efficace e accurato per misurare la struttura del cloud e quantificarne l’impatto.

Un nuovo studio condotto da un team guidato da Pierre Gentine, direttore del Centro Learning the Earth with Artificial Intelligence and Physics (LEAP), ha utilizzato simulazioni globali di risoluzione delle tempeste e apprendimento automatico per creare un algoritmo in grado di gestire separatamente due diverse scale di nuvole. organizzazione: quelli risolti da un modello climatico e quelli che non possono essere risolti perché troppo piccoli. Questo nuovo approccio affronta l’informazione mancante nella parametrizzazione dei modelli climatici tradizionali e fornisce un modo per prevedere l’intensità e la variabilità delle precipitazioni in modo più preciso.

"I nostri risultati sono particolarmente interessanti perché, per molti anni, la comunità scientifica ha dibattuto se includere l'organizzazione delle nuvole nei modelli climatici", hanno affermato Gentine, Maurice Ewing e J. Lamar Worzel, Professori di Geofisica presso i Dipartimenti di Ingegneria della Terra e Ingegneria Ambientale e della Terra. Scienze ambientali e membro del Data Science Institute. “Il nostro lavoro fornisce una risposta al dibattito e una nuova soluzione per includere l’organizzazione, dimostrando che includere queste informazioni può migliorare significativamente la nostra previsione dell’intensità e della variabilità delle precipitazioni”.

Sarah Shamekh, una dottoranda che lavora con Gentine, ha sviluppato un algoritmo di rete neurale che apprende le informazioni rilevanti sul ruolo dell'organizzazione delle nuvole su scala fine (scale non risolte) sulle precipitazioni. Poiché Shamekh non ha definito una metrica o una formula in anticipo, il modello impara implicitamente, da solo, come misurare l’aggregazione delle nuvole, una metrica di organizzazione, e quindi utilizza questa metrica per migliorare la previsione delle precipitazioni. Shamekh ha addestrato l’algoritmo su un campo di umidità ad alta risoluzione, codificando il grado di organizzazione su piccola scala.

"Abbiamo scoperto che la nostra metrica organizzativa spiega quasi interamente la variabilità delle precipitazioni e potrebbe sostituire una parametrizzazione stocastica nei modelli climatici", ha affermato Shamekh, autore principale dello studio, pubblicato da PNAS. “L’inclusione di queste informazioni ha migliorato significativamente la previsione delle precipitazioni su scala rilevante per i modelli climatici, prevedendo con precisione gli estremi delle precipitazioni e la variabilità spaziale”.

I ricercatori stanno ora utilizzando il loro approccio di apprendimento automatico, che apprende implicitamente la metrica dell’organizzazione del cloud sotto la rete, nei modelli climatici. Ciò dovrebbe migliorare significativamente la previsione dell’intensità e della variabilità delle precipitazioni, compresi gli eventi di precipitazione estremi, e consentire agli scienziati di prevedere meglio i futuri cambiamenti nel ciclo dell’acqua e i modelli meteorologici estremi in un clima in fase di riscaldamento.

Questa ricerca apre anche nuove strade di indagine, come esplorare la possibilità che le precipitazioni creino memoria, dove l’atmosfera conserva informazioni sulle condizioni meteorologiche recenti, che a loro volta influenzano successivamente le condizioni atmosferiche nel sistema climatico. Questo nuovo approccio potrebbe avere applicazioni ad ampio raggio oltre la semplice modellazione delle precipitazioni, inclusa una migliore modellazione della calotta glaciale e della superficie oceanica.