Un desafío importante en los modelos actuales de predicción climática es cómo representar con precisión las nubes y su calentamiento y humectación atmosférica. Este desafío está detrás de la amplia difusión de la predicción climática. Sin embargo, las predicciones precisas del calentamiento global en respuesta al aumento de las concentraciones de gases de efecto invernadero son esenciales pararesponsables políticos por ejemplo, el acuerdo climático de París.
En un artículo publicado recientemente en línea en Cartas de investigación geofísica 23 de mayo, los investigadores dirigidos por Pierre Gentine, profesor asociado de ingeniería de la tierra y el medio ambiente en Columbia Engineering, demuestran que las técnicas de aprendizaje automático se pueden utilizar para abordar este problema y representar mejor las nubes en modelos climáticos de resolución aproximada ~ 100 km,con el potencial de reducir el rango de predicción.
"Esto podría ser un verdadero cambio de juego para la predicción del clima", dice Gentine, autor principal del artículo y miembro del Instituto de la Tierra y el Instituto de Ciencia de Datos. "Tenemos grandes incertidumbres en nuestra predicción de la respuesta deEl clima de la Tierra a las crecientes concentraciones de gases de efecto invernadero. La razón principal es la representación de las nubes y cómo responden a un cambio en esos gases. Nuestro estudio muestra que las técnicas de aprendizaje automático nos ayudan a representar mejor las nubes y así predecir mejor la respuesta del clima global y regionalal aumento de las concentraciones de gases de efecto invernadero "
Los investigadores utilizaron una configuración idealizada un aquaplanet o un planeta con continentes como prueba de concepto para su enfoque novedoso de la parametrización convectiva basada en el aprendizaje automático. Entrenaron a una red neuronal profunda para aprender de una simulación que explícitamente representa nubesLa representación de las nubes en el aprendizaje automático, que denominaron Cloud Brain CBRAIN, podría predecir hábilmente muchas de las características de calentamiento, humectación y radiación de las nubes que son esenciales para la simulación climática.
Gentine señala: "Nuestro enfoque puede abrir una nueva posibilidad para un futuro de representación de modelos en modelos climáticos, que se basan en datos y se construyen 'de arriba hacia abajo', es decir, al aprender las características sobresalientes de los procesos en los que estamostratando de representar "
Los investigadores también señalan que, debido a que la sensibilidad de la temperatura global al CO2 está fuertemente vinculada a la representación de las nubes, CBRAIN también puede mejorar las estimaciones de la temperatura futura. Lo han probado en modelos climáticos totalmente acoplados y han demostrado resultados muy prometedores, lo que demuestra que esto podríaser usado para predecir la respuesta de gases de efecto invernadero.
rain Behavior Institute, Precision Medicine Initiative y Columbia Nano Initiative. Guiada por su visión estratégica, "Columbia Engineering for Humanity", la escuela tiene como objetivo traducir ideas en innovaciones que fomenten una vida sostenible, saludable, segura, conectada y creativahumanidad.
Fuente de la historia :
Materiales proporcionado por Escuela de Ingeniería y Ciencias Aplicadas de la Universidad de Columbia . Original escrito por Holly Evarts. Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :