Ny metod med djupinlärning skärper bilden av Europas klimat

När forskare vid SMHI ville förbättra tillgången till detaljerad klimatinformation stötte de på ett välkänt problem: klimatdata med hög upplösning är avgörande för samhällsplanering, men kostsamma att ta fram med traditionella modeller. Nu erbjuder en ny djupinlärningsmetod som utvecklats vid SMHI ett lovande steg framåt.

Klimatförståelse i finare detalj

Forskarna tränade ett så kallat konvolutionellt neuralt nätverk (CNN) att översätta klimatdata med grov upplösning till detaljerade fält med variationer ned till ungefär fem kilometer. Modellen fokuserar på två centrala klimatvariabler över Europa: lufttemperatur nära marken (T2m) och total nederbörd (P).

Resultaten är lovande. Djupinlärningsmodellen fångar både säsongsmönster och dagliga variationer väl. Den presterar särskilt bra sommartid, men tenderar att överskatta vintertemperaturer något. För nederbörd återger modellen de flesta förhållanden korrekt, men kan underskatta intensiteten i de allra kraftigaste skyfallen.

Maskininlärning öppnar nya möjligheter

Huvudförfattaren Ramón Fuentes Franco förklarar hur metoden kan stödja en rad klimatkänsliga sektorer:

– Vår studie visar att maskininlärning kan tillhandahålla klimatdata som tidigare varit mycket beräkningskrävande att producera med traditionella modeller.

Han betonar att modellen också återger viktiga klimatindikatorer:

– Intensitet i värmeböljor, kalla extremvärden samt perioder med sammanhängande torra eller blöta dagar fångas på ett realistiskt sätt. Detta är viktigt för sektorer som jordbruk, vattenresurser, energiplanering och arbete med att minska katastrofrisker.

Eftersom metoden genererar sannolikhetsfördelningar och inte bara enskilda värden kan den också användas i riskbedömningar där osäkerhet spelar en central roll. Ramón lyfter även potentialen för lokal klimatanpassning:

– Metoden kan tränas på dataset med ännu högre upplösning, vilket kan skapa nya möjligheter för städer som behöver planera för skyfall, värmeböljor eller översvämningar.

Samtidigt är forskarna tydliga med att det finns utvecklingsområden kvar:

– Det är viktigt att förstå modellens begränsningar. Vi arbetar nu med att förbättra representationen av extrema väderhändelser, såsom intensiv nederbörd och mycket kalla perioder.

Ett steg mot snabbare och mer detaljerad klimatinformation

Genom att kombinera klimatmodellering med djupinlärning kan forskarna nu generera högupplöst klimatdata snabbare och till lägre beräkningskostnad än med traditionella dynamiska nedskalningsmetoder.

Forskarna betonar att detta verktyg med djupinlärning inte är avsett att ersätta dynamiska klimatmodeller, som fortsatt är avgörande för fysikbaserade experiment och långsiktiga klimatprojektioner. I stället fungerar metoden som ett komplement - ett lättviktsverktyg som kan producera stora ensemble-beräkningar, utforska alternativa scenarier och leverera uppdateringar i nära realtid med mycket hög upplösning.

Ramón sammanfattar nästa steg:

– Vi fortsätter att utveckla metoder för framtidsscenarier, med särskilt fokus på att förbättra hur extrema väderhändelser representeras.