Las nubes pueden ser pequeñas bocanadas de vapor de agua que se desplazan por el cielo, pero son pesadas para los científicos que desean incluirlas en las simulaciones climáticas. Investigadores de la Universidad de California, Irvine, la Universidad Ludwig Maximilian de Munich y la Universidad de Columbiahe recurrido a la ciencia de datos para lograr mejores resultados de cálculo de cúmulos.
Su trabajo se detalla en un estudio publicado en línea recientemente por Actas de la Academia Nacional de Ciencias .
"Las nubes juegan un papel importante en el clima de la Tierra al transportar calor y humedad, reflejar y absorber los rayos del sol, atrapar los rayos de calor infrarrojos y producir precipitaciones", dijo el coautor Michael Pritchard, profesor asistente de ciencias del sistema terrestre de la UCI ".Pero pueden ser tan pequeños como unos cientos de metros, mucho más pequeños que una resolución de cuadrícula de modelo climático estándar de 50 a 100 kilómetros, por lo que simularlos apropiadamente requiere una enorme cantidad de energía y tiempo de computadora ".
Los modelos de predicción climática estándar se aproximan a la física de las nubes utilizando algoritmos numéricos simples que se basan en suposiciones imperfectas sobre los procesos involucrados. Pritchard dijo que si bien pueden ayudar a producir simulaciones que se extiendan hasta un siglo, hay algunas imperfecciones que limitan su utilidad, comoindica llovizna en lugar de lluvia más realista y faltan por completo otros patrones climáticos comunes.
Según Pritchard, la comunidad climática está de acuerdo con los beneficios de las simulaciones de alta fidelidad que respaldan una rica diversidad de sistemas de nubes en la naturaleza.
"Pero la falta de potencia de la supercomputadora, o el tipo incorrecto, significa que esto todavía está muy lejos", dijo. "Mientras tanto, el campo tiene que hacer frente a enormes márgenes de error en cuestiones relacionadas con cambios en las lluvias futuras".y cómo los cambios en la nube amplificarán o contrarrestarán el calentamiento global de las emisiones de gases de efecto invernadero ".
El equipo quería explorar si el aprendizaje automático profundo podría proporcionar una alternativa eficiente, objetiva y basada en datos que pudiera implementarse rápidamente en las predicciones climáticas principales. El método se basa en algoritmos informáticos que imitan las habilidades de pensamiento y aprendizaje de la mente humana.
Comenzaron entrenando una red neuronal profunda para predecir los resultados de miles de pequeños modelos bidimensionales de resolución de nubes mientras interactuaban con patrones climáticos a escala planetaria en un mundo oceánico ficticio.
El programa recién enseñado, denominado "The Cloud Brain", funcionaba libremente en el modelo climático, según los investigadores, lo que condujo a simulaciones multianuales estables y precisas que incluían extremos de precipitación realistas y olas tropicales.
"La red neuronal aprendió a representar aproximadamente las restricciones físicas fundamentales en la forma en que las nubes mueven el calor y el vapor sin que se le indique explícitamente que lo haga, y el trabajo se realizó con una fracción de la potencia de procesamiento y el tiempo que necesita la nube original", dijo el autor principal Stephan Rasp, un estudiante de doctorado en meteorología de la LMU que comenzó a colaborar con Pritchard en este proyecto como investigador visitante en la UCI.
"Estoy muy emocionado de que solo tomó tres meses simulados de salida del modelo para entrenar esta red neuronal", dijo Pritchard. "Puede hacer mucha más justicia a la física de la nube si solo necesita simular cien días de globalización".atmósfera. Ahora que sabemos que es posible, será interesante ver cómo funciona este enfoque cuando se implementa en algunos datos de entrenamiento realmente ricos ".
Los investigadores tienen la intención de realizar estudios de seguimiento para extender su metodología a configuraciones de modelos más complicadas, incluida la geografía realista, y comprender las limitaciones del aprendizaje automático para la interpolación versus la extrapolación más allá de su conjunto de datos de capacitación, una pregunta clave para algunos cambios climáticosaplicaciones que se abordan en el documento.
"Nuestro estudio muestra un claro potencial para los modelos climáticos y climáticos basados en datos", dijo Pritchard. "Hemos visto que la visión por computadora y el procesamiento del lenguaje natural comienzan a transformar otros campos de la ciencia, como la física, la biología y la química.tiene sentido aplicar algunos de estos nuevos principios a la ciencia climática, que, después de todo, está muy centrada en grandes conjuntos de datos, especialmente en estos días, ya que los nuevos tipos de modelos globales están comenzando a resolver las nubes y las turbulencias reales ".
Pierre Gentine, profesor asociado de ingeniería ambiental y de la Tierra en la Universidad de Columbia, también participó en este estudio, que fue financiado por el Departamento de Energía de los EE. UU., La NASA, la Fundación Nacional de Ciencias y la Fundación Alemana de Investigación.
Fuente de la historia :
Materiales proporcionado por Universidad de California - Irvine . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :