Klimaat & energie › Klimaat-AI & biosfeersimulaties
Nieuwe rekenmethode schat zeeoppervlaktetemperatuur veel nauwkeuriger
Amerikaanse wiskundigen hebben een methode ontwikkeld die zeeoppervlaktetemperaturen schat uit schaarse meetgegevens, met een nauwkeurigheid die 40 procent hoger ligt dan de gangbare rekenmethode. De techniek, S-DEIM genaamd, is zelfs iets preciezer dan het beste AI-model en heeft daar slechts een fractie van de rekentijd voor nodig.
De temperatuur van het zeeoppervlak is cruciaal voor weersvoorspellingen, klimaatmodellen en het begrijpen van mariene ecosystemen. Toch is die temperatuur lastig overal precies te meten. Boeien geven nauwkeurige metingen, maar staan maar op een beperkt aantal plekken. Satellieten bestrijken een veel groter gebied, maar hun metingen kunnen worden verstoord door wolken en andere atmosferische omstandigheden. Het resultaat is een lappendeken van data met grote witte vlekken.
Om die gaten op te vullen, gebruiken wetenschappers al decennia complexe wiskundige modellen. Instanties zoals de Amerikaanse oceaan- en klimaatdienst NOAA combineren daarvoor ingewikkelde differentiaalvergelijkingen. Recenter zijn er ook deep learning-modellen bijgekomen, maar die kosten veel rekenkracht en tijd om te trainen. Onderzoekers van North Carolina State University, onder leiding van wiskundige Mohammad Farazmand, wilden weten of het slimmer kon.
Een omweg voor ontbrekende data
Het team bouwde voort op een bestaande techniek, de Discrete Empirical Interpolation Method (DEIM). Die methode werkt met een basis van patronen die de belangrijkste kenmerken van een dataset vastleggen, in dit geval de temperatuurverdeling van de oceaan. Het probleem: DEIM presteert slecht zodra de data schaars is, precies het scenario waar oceanografen mee te maken hebben.
De onderzoekers pasten de methode aan tot Sparse Discrete Empirical Interpolation Method, kortweg S-DEIM. Om ontbrekende metingen te compenseren, gebruikt de nieuwe methode historische data om een zogeheten kernelvector te schatten, een wiskundige bouwsteen waarvoor geen kant-en-klare formule bestaat. Die vector helpt het model om betrouwbaar te extrapoleren, ook als er maar weinig actuele metingen beschikbaar zijn.
Sneller trainen, betere resultaten
Om de methode te testen, gebruikte het team dertig jaar aan NOAA-data. Ze lieten het laatste jaar van die reeks weg en vroegen de verschillende modellen om die temperaturen te voorspellen op basis van de resterende data. Vervolgens vergeleken ze de voorspellingen met de werkelijke historische metingen.
S-DEIM bleek 40 procent nauwkeuriger dan de klassieke DEIM-methode en zelfs 2 procent nauwkeuriger dan het best presterende AI-model, een convolutioneel neuraal netwerk. Het grootste verschil zat in de snelheid: waar het neurale netwerk anderhalf uur nodig had om te trainen, deed S-DEIM dat in nog geen minuut. Dat scheelt niet alleen tijd, maar ook rekenkracht en energie.
De onderzoekers willen de nauwkeurigheid van S-DEIM nog verder verbeteren. Volgens Farazmand toont het werk aan dat de methode schaarse data goed kan benutten voor betrouwbare resultaten, terwijl training en rekentijd flink omlaag gaan. De studie is gepubliceerd in het Journal of Geophysical Research: Machine Learning and Computation en kwam mede tot stand dankzij een onderzoeksprogramma voor bachelorstudenten.
Achtergrond & begrippen
Wat betekent dit voor de toekomst? Snellere en nauwkeurigere schattingen van zeeoppervlaktetemperatuur verbeteren zowel kortetermijn-weersvoorspellingen als langetermijn-klimaatmodellen, zonder de hoge rekenkosten van huidige AI-modellen. Omdat de methode veel minder rekenkracht en trainingstijd vergt, kunnen instituten als NOAA vaker en goedkoper actuele temperatuurkaarten produceren, wat weer bijdraagt aan betere stormwaarschuwingen en klimaatvoorspellingen.
- S-DEIM
- De nieuw ontwikkelde rekenmethode (Sparse Discrete Empirical Interpolation Method) die temperaturen schat uit schaarse meetdata, met behulp van historische patronen.
- DEIM
- De bestaande wiskundige methode (Discrete Empirical Interpolation Method) waarop S-DEIM is gebaseerd; werkt goed bij volledige data maar slecht bij schaarse metingen.
- Convolutioneel neuraal netwerk (CNN)
- Een type kunstmatig neuraal netwerk dat vaak wordt gebruikt voor het herkennen van patronen in beeld- en ruimtelijke data, in dit onderzoek ingezet als vergelijkingsmodel.
- Kernelvector
- Een wiskundige bouwsteen die S-DEIM schat op basis van historische gegevens om ontbrekende metingen te compenseren; hiervoor bestaat geen standaardformule.
- Zeeoppervlaktetemperatuur
- De temperatuur van het bovenste laagje zeewater, een belangrijke maat voor weersvoorspellingen, klimaatonderzoek en mariene ecosystemen.
- Differentiaalvergelijkingen
- Wiskundige vergelijkingen die veranderingen beschrijven en van oudsher worden gebruikt om oceaan- en klimaatmodellen te berekenen.
Bronnen
Dit artikel is met behulp van AI geschreven op basis van bovenstaande bronnen en is geen letterlijke vertaling. Zo werkt onze redactie.
