Surface temperature extremes produced by huge machine learning hindcasts of summer 2023

Dit onderzoek toont aan dat enorme machine learning-hindcasts van de zomer van 2023 extreme hittegolven en gevaarlijke vochtige hitte kunnen simuleren die buiten de voorspellingsmarges van traditionele modellen vallen, waardoor het potentieel van dergelijke grote ensemble-simulaties voor het beter begrijpen en voorspellen van temperatuur-extremen wordt onderstreept.

De kern

Hoe een digitale "tijdmachine" ons waarschuwde voor hittegolven die we nog niet hadden gezien

Stel je voor dat je een enorme, digitale kristallen bol hebt die het weer kan simuleren. Normaal gesproken laten we deze bol slechts 50 keer draaien om te kijken wat er kan gebeuren. Maar in dit onderzoek hebben we die bol 7.424 keer laten draaien. Dat klinkt als veel, maar het is eigenlijk een klein beetje van een gigantische stap in de wereld van weersvoorspellingen.

Hier is wat de onderzoekers hebben ontdekt, vertaald naar begrijpelijke taal:

1. Het probleem: De "standaard" voorspelling is te klein

Stel je voor dat je probeert de grootste golf in de oceaan te voorspellen. Als je alleen kijkt naar de golven die je vandaag ziet (de 50 standaardvoorspellingen), denk je misschien: "Oké, de grootste golf is ongeveer 3 meter hoog."

Maar de zomer van 2023 was extreem heet. De onderzoekers wilden weten: Hoe heet had het eigenlijk kunnen worden? Traditionele computers zijn te traag om duizenden scenario's te berekenen. Ze gebruiken daarom een slimme kunstmatige intelligentie (AI), genaamd SFNO. Deze AI is als een supersnelle, slimme student die in één seconde kan doen waar een supercomputer dagen over doet.

2. De oplossing: Een "gigantisch ensemble"

De onderzoekers gebruikten deze AI om 7.424 verschillende versies van de zomer van 2023 te simuleren. Dit noemen ze een "gigantisch ensemble".

• De analogie: Stel je voor dat je een dobbelsteen gooit. Als je 50 keer gooit, zie je misschien geen enkele keer een 6. Maar als je 7.424 keer gooit, zie je veel 6'en, en misschien zelfs een reeks van 6'en die je nooit eerder had gezien.
• De AI keek niet alleen naar wat er gebeurde, maar ook naar wat er had kunnen gebeuren als de luchtstromen net iets anders waren gelopen.

3. De verrassende bevindingen

Wat vonden ze? De AI ontdekte scenario's die extremer waren dan wat we daadwerkelijk hebben gemeten, en zelfs extremer dan wat traditionele modellen voorspelden.

• De "Onzichtbare" Hitte: Voor ongeveer één derde van het landoppervlak op aarde (zoals delen van Groenland, Rusland, Alaska en China) voorspelde de AI hittegolven die zo heet waren, dat ze buiten het bereik vielen van de traditionele voorspellingen. Het was alsof de traditionele modellen dachten dat de temperatuur maximaal 40 graden zou zijn, terwijl de AI liet zien dat het er makkelijk 43 of 44 graden had kunnen worden.
• De "Natte" Hitte (Vochtigheid): Hitte is niet alleen warmte; het is ook vochtigheid. Als het warm én vochtig is, voelt het veel gevaarlijker aan voor het menselijk lichaam (de "hitte-index"). De AI liet zien dat in gebieden als de VS en India, de combinatie van hitte en vocht veel gevaarlijker had kunnen zijn dan we dachten.
  • Voorbeeld: In sommige delen van de VS zou de hitte-index zo hoog kunnen zijn dat het alarmniveau springt van "Gevaar" naar "Extreem Gevaar". Dit zijn situaties waarin het lichaam zijn koeling niet meer kan regelen, wat levensgevaarlijk is.

4. Waarom is dit belangrijk?

Vroeger dachten we dat we de uitersten van het weer goed konden inschatten met wat statistieken en 50 voorspellingen. Dit onderzoek toont aan dat we niet zo zeker waren als we dachten.

• De "Verkeerslichten" van het weer: De onderzoekers gebruiken de kleuren van de weersalarms (Voorzichtig, Extreme Voorzichtig, Gevaar, Extreem Gevaar). De AI liet zien dat voor veel plekken de situatie had kunnen springen naar een hoger, gevaarlijker alarmniveau dan wat we daadwerkelijk hebben gezien.
• Kostenefficiëntie: Het mooie is dat deze AI dit allemaal doet voor een fractie van de kosten en tijd van traditionele supercomputers. Het is alsof je van een dure, langzame trein overstapt op een supersnelle, goedkope hyperloop.

Conclusie: We moeten voorbereid zijn op het "onverwachte"

De zomer van 2023 was al recordwarm, maar deze studie zegt: "Hé, het had nog erger kunnen zijn, en we hadden dat niet gezien met onze oude methoden."

Door deze enorme digitale simulaties te gebruiken, kunnen we beter begrijpen waar we in de toekomst op moeten wachten. Het is als het hebben van een betere kaart voor een storm: we weten nu dat er gebieden zijn waar de golven (of hittegolven) veel hoger kunnen zijn dan we ooit hebben durven dromen. Dit helpt overheden en burgers om zich beter voor te bereiden op de echte uitersten van een veranderend klimaat.

Kortom: De AI heeft ons een kijkje gegeven in een "alternatieve realiteit" waar het nog heter was, en die kennis is cruciaal om mensen veilig te houden.

Technische samenvatting

Titel: Oppervlaktetemperatuur-extremen geproduceerd door enorme machine learning-hindcasts van de zomer van 2023

1. Probleemstelling

De zomer van 2023 was de op een na heetste ooit geregistreerd, met talloze extreme hittegolven wereldwijd. Een grote wetenschappelijke uitdaging is het begrijpen van de volledige plausibele reikwijdte van hoe heet temperaturen kunnen worden, vooral voor "low-likelihood, high-impact" (LLHI) weersextremen.
Traditionele methoden, zoals Numerieke Weer Voorspelling (NWP) ensembles, hebben beperkingen:

• Ze genereren vaak te kleine ensembles (bijv. 50 leden), waardoor ze de "staarten" van de kansverdeling (zeer zeldzame gebeurtenissen) niet adequaat kunnen bemonsteren.
• Het extrapoleren van deze kleine ensembles naar extreme waarden met behulp van Extreme Waarde Theorie (EVT) kan onnauwkeurig zijn en mogelijke, maar zeldzame, scenario's missen.
• Het genereren van enorme ensembles (duizenden leden) met traditionele NWP-modellen is computationally prohibitief (te duur en tijdrovend).

2. Methodologie

De auteurs gebruiken een nieuwe aanpak gebaseerd op Machine Learning (ML) om een "Huge Ensemble" (HENS) te creëren.

• Model: Ze gebruiken de Spherical Fourier Neural Operator (SFNO), een ML-weermodel ontwikkeld door NVIDIA.
• Ensemble Grootte: Een ensemble van 7.424 leden.
• Periode: Hindcasts voor de zomer van 2023 (1 juni tot 31 augustus).
• Opzet:
  • Elke member is een 15-daagse voorspelling.
  • Startcondities worden gegenereerd uit ERA5 (reanalyse) met perturbaties via de bred vector-methode om onzekerheden in de atmosferische staat te simuleren.
  • Er worden 29 onafhankelijk getrainde SFNO-modellen gebruikt om modelonzekerheid te integreren.
  • Resolutie: 0,25 graden horizontaal (721 x 1440 punten) met een temporele resolutie van 6 uur.
• Variabelen: De focus ligt op 2-meter temperatuur (t2m) en de hitte-index (een maat voor vochtige hitte, gebaseerd op temperatuur en dauwpunt), aangezien deze direct relevant zijn voor menselijke gezondheidsrisico's.
• Vergelijking: De resultaten worden vergeleken met:
  1. ERA5: De waargenomen reanalyse (de "realiteit").
  2. IFS (Integrated Forecast System): Een traditioneel 50-leden ensemble van het ECMWF.
• Statistische Analyse:
  • Voor IFS wordt Generalized Extreme Value (GEV) theorie toegepast om de staart van de verdeling te extrapoleren (IFS-GEV).
  • Voor HENS worden de extreme drempels empirisch bepaald (bijv. de 99,9e percentiel) dankzij de enorme steekproefgrootte.
  • Bayesiaanse methoden worden gebruikt om de onzekerheid van de IFS-GEV schattingen te kwantificeren en de waarschijnlijkheid te berekenen dat HENS-extremen binnen de IFS-predictieband vallen.

3. Belangrijkste Bijdragen

• Schaal: De eerste studie die een ML-ensemble van deze omvang (7.424 leden) gebruikt om zomerse hitte-extremen te simuleren.
• Storyline Simulaties: Het genereren van plausibele "storylines" (alternatieve realiteiten) van hittegolven die fysiek mogelijk zijn, maar vaak niet voorkomen in kleinere ensembles.
• Efficiëntie: Demonstreert dat ML-modellen extreme scenario's kunnen genereren met een fractie van de rekenkosten van state-of-the-art NWP-modellen (een 15-daagse forecast duurt ongeveer één minuut).
• Nieuwe Inzichten: Toont aan dat ML-ensembles extreme waarden kunnen produceren die buiten de voorspellingsband van traditionele methoden vallen, zelfs na correctie met extreme waarde theorie.

4. Resultaten

• Temperatuur-extremen (t2m):
  • Het ML-ensemble genereerde hittegolven die warmer waren dan zowel de waarnemingen (ERA5) als de traditionele IFS-voorspellingen.
  • Voor ongeveer 71% van het landoppervlak waren de maximale temperaturen in HENS hoger dan in IFS.
  • Voor 30% van het landoppervlak (voornamelijk in het noordelijk halfrond, zoals Groenland, Rusland, Alaska en delen van China) lagen de HENS-extremen buiten de voorspellingsband van de IFS-GEV extrapolatie. Dit betekent dat traditionele methoden deze extreme scenario's zouden hebben gemist.
  • In sommige gebieden (bijv. Groenland) waren de HENS-extremen tot 3°C warmer dan de IFS-GEV schattingen.
• Vochtige Hitte (Heat Index):
  • HENS identificeerde significant ernstigere vochtige hitte-extremen in vochtige regio's (Zuidoostelijke VS, India, Arabische Zee) dan IFS.
  • Voor ongeveer 42% van de wereld was het HENS-verhaal (99,9e percentiel) onwaarschijnlijk tot uiterst onwaarschijnlijk volgens de IFS-GEV statistieken.
  • Publieke Veiligheid: De HENS-storylines verschoven de risicocategorieën voor de publieke veiligheid. In gebieden zoals het Middenwesten en Zuidoosten van de VS, en Centraal-Europa, verschenen er gebieden in de categorie "Extreme Danger" (gevaarlijk) die in de ERA5-data alleen "Extreme Caution" (extreme voorzichtigheid) waren.
• Validatie: De door HENS gegenereerde temperaturen in hoge breedtegraden (zoals Groenland) bleken realistisch toen vergeleken met waarnemingsdata (PROMICE), wat aangeeft dat het model niet simpelweg "ruis" genereert, maar fysiek plausibele extreme toestanden.

5. Betekenis en Conclusie

Dit onderzoek benadrukt het potentieel van enorme ML-ensembles om het begrip en de voorspelling van zowel droge als vochtige temperatuur-extremen te verbeteren.

• Beperkingen van Traditionele Methoden: Traditionele NWP-ensembles, zelfs wanneer ze worden aangevuld met Extreme Waarde Theorie, kunnen de volledige reikwijdte van mogelijke extreme gebeurtenissen missen. Ze bemonsteren niet ver genoeg de staarten van de verdeling.
• Nieuwe Kansen: ML-modellen bieden een "turnkey"-oplossing voor storyline-simulaties. Ze democratiseren de toegang tot het modelleren van zeldzame, hoog-impact gebeurtenissen, wat essentieel is voor aanpassingsplanning en risicobeheer in een veranderend klimaat.
• Toekomst: De studie suggereert dat de envelope van plausibele meteorologische extremen breder is dan eerder gedacht, en dat ML een cruciale rol kan spelen bij het kwantificeren van deze "worst-case" scenario's voor de publieke veiligheid.

Kortom, de auteurs tonen aan dat enorme ML-ensembles niet alleen sneller zijn, maar ook fundamenteel nieuwe inzichten bieden in de grenzen van wat het weer kan doen, die met traditionele methoden onbereikbaar blijven.