Ny forskning: djupinlärning avslöjar historiska och framtida mönster i atmosfärisk blockering

StockholmAtmosfäriska blockeringar är betydelsefulla väderfenomen där högtryckssystem stannar länge på samma plats, vilket stör jetströmmens flöde och påverkar stormarnas banor. Dessa fenomen har orsakat extremt väder, såsom allvarliga översvämningar och värmeböljor, särskilt i Europa 2023. Ny forskning av Christina Karamperidou vid University of Hawai'i at Manoa använder djupinlärning för att studera dessa händelser under de senaste tusen åren och förutse framtida utvecklingar.

Karamperidous forskning använder en djupinlärningsmodell som är tränad på historiska data och arbetar med omfattande klimatsimuleringar. Modellen kan fastställa hur ofta atmosfäriska blockeringsevenemang inträffade genom att analysera temperaturavvikelser från de senaste 1 000 åren. Denna metod utnyttjar temperaturdata från trädringsregister för att ge insikter om tidigare vädermönster.

Några viktiga delar av denna studie innefattar att utveckla en djupinlärningsmodell för att identifiera blockerande frekvenser från tidigare temperaturdata, koppla samman paleoklimatdata med paleovädersignaler genom maskininlärning, samt erbjuda insikter om klimatfenomen och förbättra klimatmodellernas förutsägelser.

Att förstå hur ofta och hur kraftigt atmosfäriska blockeringar inträffar är avgörande, särskilt när klimatförändringarna fortgår. Dessa mönster påverkar både lokala och globala väderförhållanden och har betydelse för områden som Hawaii, den nordvästra delen av Stilla havet och Europa. Med potentiella effekter associerade med fenomen som El Niño och temperaturen i den tropiska delen av Stilla havets yta är det viktigt med noggranna rekonstruktioner och prognoser.

Läs också:

Idag · 09:06

Ny forskning: Kan piporglar automatiskt stämma musik i konserthus?

Karamperidous forskning handlar inte bara om att studera historia. Genom att koppla frekvensen av blockeringar till förändringar i klimatet i tropiska Stilla havet, bidrar hennes modell till att förbättra klimatmodellernas noggrannhet. Denna metod minskar osäkerheter i framtida klimatprognoser och gör en viktig insats för vetenskapens förmåga att förutse klimatpåverkan mer exakt.

Denna studie lyfter fram användningen av öppna forskningsmetoder. Studenter från UH Manoa bidrog med att skapa ett webbgränssnitt för att utforska modellens resultat. Systemet är placerat på Jetstream-2 och understryker behovet av tydlig och enkel tillgång till klimatforskning, särskilt när AI och maskininlärning blir allt viktigare i vetenskapliga studier.

I framtiden planeras det att förbättra modellen och kanske använda den för mer än enbart atmosfäriska blockeringar. Detta kan innebära att studera andra klimatfenomen som har stor påverkan på samhället och ekonomin, vilket utvidgar den kunskap som djupinlärning bidrar med inom klimatvetenskapen.