Machine Learning steeds breder inzetbaar in de klimaatwetenschap
Weermodellen op basis van kunstmatige intelligentie (AI) zijn inmiddels goed bruikbaar voor weersverwachtingen. Bijvoorbeeld bij AIFS, het machine learning weermodel van ECMWF, is de natuurkunde ver te zoeken, maar het presteert goed. Ook in klimaatonderzoek wordt machine learning ingezet om klimaatsystemen en hun veranderingen te begrijpen. Een nieuw onderzoek gebruikt AI technieken voor het bepalen van ijsdikte van gletsjers.Verbetering ten opzichte van klassieke modellen
In het onderzoek, aan het begin van deze maand gepubliceerd in het wetenschappelijke tijdschrift Geoscientific Model Development, werd een AI model (‘IceBoost’) getraind met een uitgebreide dataset van ijsdikte gegevens. Gegevens zoals de steilheid en grootte van de gletsjer, stroomsnelheid en hoogte worden aan het model gegeven, zodat deze met bestaande data traint en patronen gaat herkennen. In totaal werden 39 verschillende gletsjergegevens gebruikt.
Het model is de eerste in zijn soort en overtreft traditionele, numerieke modellen voor gletsjers. Model errors zijn vergelijkbaar met die van traditionele modellen op gemiddelde tot lage breedtegraden, maar op hoge breedtegraden (de poolgebieden) en langs de randen van ijskappen is de error 30% tot 40% lager. Hier bevindt zich het grootste deel van het ijs, waardoor het model erg effectief blijkt.
IceBoost is het eerste wereldwijde model op basis van machine learning dat ijsdikte op willekeurige plaatsen kan voorspellen. Hierdoor kunnen kaarten van de ijsdikte voor gletsjers over de hele wereld worden gemaakt. De auteurs van de studie benadrukken dat hoe meer meetgegevens in het model worden gebracht tijdens de trainingsfase, hoe accurater het model zal worden en hoe kleiner de model error. Ook benoemen ze het potentieel van het implementeren van natuurkundige principes in het (nu nog) volledig data-gedreven model: “onderzoek in deze richting zou een logische stap voorwaarts zijn”, zegt de hoofdauteur. Een groot voordeel van data-gedreven modellen in de klimaatwetenschap is de mogelijkheid om direct van data te leren.
Bruikbaarheid
Het in kaart brengen van ijsdikte is nuttig voor studies naar klimaatverandering scenario’s en het effect daarvan op de smelt van gletsjers en ijskappen. Nauwkeurige gegevens van gletsjervolumes is belangrijk als het gaat om voorspellingen van toekomstige zeespiegelstijging. Ook zijn gletsjers in veel landen van belang voor de zoetwatervoorziening en speelt het ijsvolume een rol in waterbeheer. Als in een warmer klimaat gletsjers zich verder terugtrekken, heeft dat maatschappelijke gevolgen. Tot nu toe was het schatten van gletsjervolume een grote wetenschappelijke uitdaging. De goede prestatie van het nieuwe machine learning model is daarom een grote doorbraak op dit gebied.
De studie vormt de eerste stap in de richting om schattingen van wereldwijde gletsjervolume te verfijnen. De bijgeschaafde volumes zijn bruikbaar voor bijvoorbeeld klimaatonderzoekers en beleidsmakers. Numerieke modellen kunnen de door IceBoost geproduceerde kaarten van de ijsdikte gebruiken als beginconditie in simulaties van toekomstscenario’s, maar ook gletsjercondities in het verleden kunnen worden onderzocht door gebruik te maken van historische kenmerken, verkregen uit onder andere ijsboorkernen.
