Verfeinerte Klimaprognosen

Verbesserung der saisonalen Lufttemperatur-Vorhersage mittels eines genetischen Algorithmus

Forschern der Universitäten von Utrecht und Yokohama ist es gelungen, die Genauigkeit jahreszeitlicher Temperaturvorhersagen durch die Anwendung eines “genetischen Algorithmus” zu verbessern. Dazu haben sie einen gewichteten Durchschnitt der Mitwirkenden aus saisonalen Prognosen gebildet – wie sie in Scientific Reports berichten. Denn es würden zwar viele Anstrengungen unternommen, um die Auswirkungen des Klimawandels zu erkennen und seine Folgen abzumildern. Es besteht jedoch auch die dringende Notwendigkeit, die Fähigkeit zur Vorhersage des Klimas auf saisonaler bis interner Zeitskala zu verbessern, mindestens wenige Monate im Voraus.

Abstrakt

“Jahreszeitliche durch numerische Modelle erzeugte Vorhersagen der Lufttemperatur geben den Planern und der Gesellschaft als Ganzes Orientierung. Die Erstellung genauer saisonaler Prognosen ist jedoch eine Herausforderung, die vor allem auf den stochastischen Charakter der atmosphärischen internen Variabilität zurückzuführen ist. Daher wird oft eine Reihe von Mitwirkenden eingesetzt, um die Vorhersage-Signale zu erfassen. Mit der großen Verbreitung in den Vorhersagefahnen wird es wichtig, Techniken einzusetzen, um die Auswirkungen unrealistischer Mitglieder zu reduzieren. Eine dieser Techniken ist die Bildung eines gewichteten Durchschnitts der Mitwirkenden aus saisonalen Prognosen. In dieser Studie haben wir eine maschinelle Lerntechnik, nämlich einen genetischen Algorithmus, angewandt, um optimale Gewichte für die 24 Ensemblemitglieder des gekoppelten allgemeinen Zirkulationsmodells, das Scale Interaction Experiment-Frontier-Forschungszentrum für boreale Sommerprognosen der Global Change Version 2 (SINTEX-F2), abzuleiten. Unsere Analyse ergab, dass die Technik die 2m-Lufttemperaturanomalien (Messung in 2 m Höhe über Grund) über mehrere Regionen Südamerikas, Nordamerikas, Australiens und Russlands im Vergleich zum ungewichteten Ensemble-Mittelwert signifikant verbessert hat. Die räumliche Verteilung von Lufttemperaturanomalien wird durch die GA-Technik verbessert, was zu einer besseren Darstellung von Anomalien in den Vorhersagen führt. Daher könnten maschinelle Lerntechniken dazu beitragen, die regionalen Lufttemperaturprognosen in den mittleren und hohen Breitengraden zu verbessern, in denen die Modellkompetenz relativ gering ist.”

Einführung

“Es werden viele Anstrengungen unternommen, um die Auswirkungen des Klimawandels zu erkennen und seine Folgen abzumildern. Es besteht jedoch auch die dringende Notwendigkeit, die Fähigkeit zur Vorhersage des Klimas auf saisonaler bis interner Zeitskala, mindestens wenige Monate im Voraus, zu verbessern. Eine erfolgreiche saisonale Vorhersage von Klima- und Extremereignissen würde Planern und der Gesellschaft als Ganzes zugute kommen. Ein Ensemble von Prognosen wird oft durch unterschiedliche Ausgangsbedingungen und auch durch unterschiedliche Parameter in den numerischen Modellen erzeugt, um die Kompetenz von saisonalen Prognosen zu erhöhen. Das Ensemble der Prognosen wird dann gemittelt, um eine mittlere Saisonvorhersage des Ensembles zu erhalten. Offensichtlich würde ein einfacher Ensemble-Durchschnitt, der durch Addition aller Mitglieder, von denen einige phasenverschoben sind, erzeugt wird, das Ausmaß und die Phase der Anomalien zunichte machen und damit die Fähigkeit der Modellprognosen verringern.

Dies motivierte uns, nach Techniken zu suchen, um bessere Ensemble-Mittel zu erzeugen, in denen mehr Gewicht auf die Ensemble-Mitglieder gegeben wird, welche Phase und Ausmaß der beobachteten Anomalien genauer vorhersagen. Eine Technik, die weit verbreitet ist, um die Ensemble-Prognosen aus einer Reihe von Modellen zu mitteln und eine einzige Prognose zu erstellen, wird als Multi Model Ensemble (MME) Prognose bezeichnet. Bei der Erstellung der MME-Prognosen werden die einzelnen Modelle separat nach ihren Fähigkeiten bewertet und die Modelle entsprechend ihrer individuellen Fähigkeiten gewichtet. Die Herausforderung bei der Erstellung einer MME-Prognose besteht jedoch darin, die Modellfähigkeit zu quantifizieren und Gewichte für jedes Modell abzuleiten.

Multiple lineare Regression der Modellprognosen mit einem beobachteten Feld und dann mit Hilfe von Least-Square-Techniken, um den Unterschied zwischen Modell und beobachtetem Feld zu minimieren, ist eine der Techniken, die zur Ableitung der Modellgewichte für die Erzeugung von MME-Prognosen verwendet wird. Die Modellgewichte können auch nichtlinear mit Hilfe der Techniken der künstlichen Intelligenz wie dem künstlichen neuronalen Netzwerk (ANN) und dem genetischen Algorithmus (GA) abgeleitet werden. Die GAs sind eine Klasse von Suchtechniken, die die biologischen Prozesse von Selektion, Vererbung und Variation nachahmen. Sie können auch zur Lösung von Optimierungsproblemen eingesetzt werden. MME-Prognosen, die mit den Gewichten aus einem GA erstellt wurden, haben sich als kompetenter erwiesen als die Methode, Modellen gleiche Gewichte zu geben und einen Ensemble-Mittelwert zu erzeugen.”

->Quelle: