Slimme algoritmes maken klimaatvoorspellingen scherper en sneller

Klimaatwetenschappers hebben een nieuwe tool tot hun beschikking: machine learning. Deze slimme technologie, een tak van kunstmatige intelligentie, geeft onderzoekers de mogelijkheid om het complexe klimaatsysteem beter en gedetailleerder te doorgronden dan ooit tevoren.

In een artikel dat in november verscheen in Nature Reviews Physics, laten de onderzoekers, onder wie fysisch oceanograaf Henk Dijkstra, zien hoe machine learning het klimaatonderzoek transformeert.

Machine learning helpt om gaten in klimaatgegevens op te vullen. Zo worden datasets groter en completer, maar ook wereldwijd consistenter. Meer data betekent betere inzichten in hoe het klimaat zich gedraagt – en hoe het verandert. Ook kunnen wetenschappers met de technologie processen in het klimaatsysteem simuleren die traditionele modellen vaak niet representeren. Denk aan wolkenvorming of turbulentie. Door deze 'onzichtbare puzzelstukjes' mee te nemen, worden klimaatmodellen realistischer en nauwkeuriger.

Misschien wel het meest indrukwekkend: machine learning doorbreekt barrières in het voorspellen van klimaatfenomenen. Neem El Niño, een weerpatroon dat extreme droogte in Australië en overstromingen in Ecuador kan veroorzaken. Waar klassieke modellen vaak niet verder dan zes maanden vooruit kunnen kijken, kan machine learning helpen om betrouwbare voorspellingen te doen tot wel 18 maanden van tevoren. Dat geeft landen meer tijd om zich voor te bereiden en schade te beperken.

Volgens Henk Dijkstra, hoogleraar Dynamische Oceanografie aan de Universiteit Utrecht en één van de auteurs, markeert de opkomst van het gebruik van machine learning in traditionele modellen een nieuwe stap in het klimaatonderzoek. In zijn lopende ERC Advanced Grant-project (2022-2027), gericht op het kantelpunt van de Atlantische oceaancirculatie, gebruikt hij machine learning om patronen in de historische oceaancirculatie patronen te reconstrueren en toekomstige veranderingen te voorspellen.

Vooruitgangen in klimaatwetenschap die te danken zijn aan toepassingen van machine learning kunnen worden verdeeld in drie hoofddomeinen en hun overlap: waarneming, theorie en berekeningen.
Vooruitgangen in klimaatwetenschap die te danken zijn aan toepassingen van machine learning kunnen worden verdeeld in drie hoofddomeinen en hun overlap: waarneming, theorie en berekeningen.