Probabilistic Deep Learning for Drought Forecasting: Role of Internal Climate Variability

Stel je voor dat je probeert het weer van volgende maand te voorspellen. Het is alsof je probeert de uitkomst te raden van een spel met dobbelstenen waarbij de dobbelstenen zelf een beetje wiebelig zijn, de tafel trilt en de regels veranderen afhankelijk van het seizoen. Dit is de wereld van de klimaatwetenschap, specif으로 de lastige zaak van het voorspellen van droogte. Droogte gaat niet alleen over "geen regen"; het is een complexe dans tussen hoeveel water er uit de lucht valt, hoeveel er in de lucht verdampt en hoe de grond het vocht vasthoudt. Wetenschappers weten al lang dat zelfs als we de exacte regels van het spel zouden kennen, er een deel van het weer is dat van nature chaotisch is—zoals de willekeurige stuiter van een bal. Dit wordt "interne variabiliteit" genoemd. Het is de eigen willekeurige trilling van het klimaatsysteem, die een regio nat of droog kan maken zonder andere reden dan puur geluk bij de trekking.

Waarom is dit belangrijk? Omdat als je een boer bent die je gewassen plant, een stadsbeheerder die zich voorbereidt op waterschaarste, of een huiseigenaar die zich zorgen maakt over bosbranden, je niet alleen het "gemiddelde" toekomstige scenario moet weten, maar ook de scenario's met de slechtste uitkomst. Als een voorspelling zegt "het kan een beetje droog worden," is dat niet genoeg. Je wilt weten: "Hoe droog zou het plausibel kunnen worden als de klimaatdobbelstenen echt slecht vallen?" Een tijdlang gebruikten computermodellen om deze risico's te voorspellen de willekeurige trilling als eenvoudige ruis die genegeerd moest worden, of ze probeerden het slechtste scenario te raden door alleen te kijken naar wat er in het verleden is gebeurd. Maar het verleden biedt misschien niet de antwoorden voor een toekomst die aan het veranderen is.

Dit artikel is als een team van detectives dat besloot te stoen met gokken en te beginnen met een super slimme truc om de toekomst duidelijker te zien. Ze hebben een nieuw soort "glazen bol" gebouwd voor Europese droogtes met behulp van een type kunstmatige intelligentie genaamd deep learning. Maar hier komt de twist: ze lieten de AI niet gewoon gokken; ze voedden het met een enorme bibliotheek van "wat als"-scenario's gegenereerd door een gigantische klimaatsimulator. Denk erbij aan het vragen aan 50 verschillende klimaatexperts om de komende jaren te verbeelden, waarbij ze allemaal met dezelfde regels beginnen maar hun eigen dobbelstenen gooien. Door al deze 50 denkbeeldige toekomsten met elkaar te vergelijken, kon het team eindelijk de vorm van de "willekeurige trilling" zelf zien. Ze ontdekten dat door deze groep van 50 simulaties te gebruiken, ze een veel veiligere, meer realistische "gevarengrens" voor droogte konden trekken. Deze lijn vertelt ons hoe slecht het zou kunnen worden als de natuurlijke willekeur van het klimaat tegen ons werkt. Het resultaat? Een waarschuwingssysteem dat niet alleen zegt "het kan droog worden," maar zegt: "Dit is het slechtste dat het plausibel kan worden, en we zijn er klaar voor."

Het verhaal van de "wiebelige dobbelstenen" en de 50 glazen bollen

De auteurs van deze studie, Henri Funk en zijn team uit München, Duitsland, gingen aan de slag om een frustrerend probleem op te lossen: het voorspellen van droogte is moeilijk omdat het klimaat vol verrassingen zit. Zelfs als we het grote plaatje kennen, zoals de opwarming van de aarde, heeft het klimaatsysteem zijn eigen interne "wiebelingen" (interne variabiliteit) die een regio droog of nat kunnen maken op manieren die moeilijk te voorspellen zijn. Als je alleen naar historische gegevens kijkt (het verleden), mis je misschien deze wilde schommelingen, vooral wanneer het klimaat verandert.

De oude manier versus de nieuwe truc
Traditioneel hebben wetenschappers geprobeerd droogte te voorspellen door naar het verleden te kijken. Ze nemen een lange geschiedenis van weergegevens en trainen een computer om patronen te herkennen. Het is als leren autorijden door alleen naar een kaart te kijken van waar je eerder hebt gereden. Het probleem is dat als de weg verandert of de auto anders reageert, de oude kaart niet helpt. In deze studie lieten het team en hun methode zien dat het vertrouwen op alleen het verleden (specifiek een dataset genaamd ERA5-Land) leidt tot een vals gevoel van veiligheid. Wanneer ze hun voorspellingen volgens de oude stijl testten tegen de werkelijke droge jaren 2020–2024, lagen hun "gevarengrenzen" te hoog. Ze misten een groot deel van de echt droge gebeurtenissen. Het was alsof ze mensen waarschuwden voor een lichte motregen terwijl er eigenlijk een storm aankwam.

Om dit op te lossen, introduceerde het team een nieuw ingrediënt: een "Large Ensemble". Stel je voor dat je een supercomputer klimaatsimulator hebt. In plaats van de simulator één keer te draaien om één toekomst te krijgen, hebben ze hem 50 keer gedraaid. Elke run begon met exact dezelfde regels en fysica, maar ze pasten de begincondities een heel klein beetje aan—alsof je 50 keer een dobbelsteen gooit. Omdat de regels hetzelfde waren, moesten de verschillen tussen de 50 resultaten wel veroorzaakt zijn door die natuurlijke, willekeurige "wiebel" van het klimaatsysteem.

De AI en het ensemble
Het team gebruikte een geavanceerd AI-model genaamd een "Temporal Fusion Transformer" (TFT). Denk aan deze AI als een zeer intelligente student die de weergeschiedenis van Europa voor 50 jaar heeft bestudeerd. De AI leerde de waterbalans (regen minus verdamping) voor de volgende maand te voorspellen op basis van zaken als zeetemperatuur, luchtdruk en het seizoen.

Maar de AI alleen kon het volledige beeld van de "wiebelingen" niet zien. Dus deed het team iets slims. Ze namen hun getrainde AI en vroegen het om voorspellingen te doen voor al die 50 "wat als"-klimaatscenario's.

1. Het Centrum: De AI gaf een "beste gok" voorspelling gebaseerd op echte historische gegevens.
2. De Spreiding: Door te kijken naar hoe de 50 verschillende simulaties van elkaar verschilden, kon het team precies meten hoeveel het klimaat op zichzelf "wiebelt".

Vervolgens combineerden ze deze twee zaken. Ze namen de "beste gok" van de AI en voegden daar een "veiligheidsbuffer" aan toe, gebaseerd op de spreiding van de 50 simulaties. Dit creëerde een nieuwe "ondergrens"—een lijn op de grafiek die zegt: "Zelfs als de klimaatdobbelstenen echt slecht vallen, is het onwaarschijnlijk dat het slechter wordt dan dit."

Wat ze ontdekten
De resultaten waren oogopenend. Toen ze deze nieuwe methode testten tegen de werkelijke droge jaren 2020–2024, faalde de oude methode (die alleen naar het verleden keek) jammerlijk. In sommige regio's, zoals de Alpen en Frankrijk, miste de oude methode bijna de helft van de droogtegebeurtenissen. Het was als een weer-app die "zonnig" aangaf terwijl het pijpenstelen regende.

De nieuwe methode, met gebruik van de 50 simulaties, was veel beter.

• Betere dekking: In de meeste delen van Europa legde de nieuwe "gevarengrens" de droge gebeurtenissen veel nauwkeuriger vast. In het Middellandse Zeegebied en het Iberisch Schiereiland ving het bijvoorbeeld bijna alle droogtes en extreme droogtes op.
• De "wiebelige" realiteit: De studie toonde aan dat de natuurlijke willekeur van het klimaat een echt, meetbaar fenomeen is dat voorspeld kan worden. Door deze willekeur te behandelen als een kenmerk in plaats van een fout, konden ze een voorspelling maken die "risico-bewust" is.
• Waar het moeizaam ging: De nieuwe methode was niet overal perfect. In de Alpen was de resolutie van het computermodel (hoe gedetailleerd de kaart was) te grof om de kleine, complexe weerpatronen in de bergen te zien. In die specifieke gebieden miste de nieuwe methode nog steeds enkele extreme droogtes, hoewel het nog steeds beter was dan de oude manier.

Waarom dit ertoe doet
Het artikel suggereert dat we moeten stoppen met het behandelen van de natuurlijke willekeur van het klimaat als slechts "ruis" die genegeerd moet worden. In plaats daarvan moeten we het behandelen als een voorspelbare grootheid op zich. Door gebruik te maken van grote groepen simulaties (ensembles), kunnen we de fysica van klimaatvariabiliteit overbrengen naar onze machine learning-modellen. Dit geeft ons een "conservatieve" voorspelling—één die een beetje voorzichtiger is en voorbereid is op het ergste.

De auteurs benadrukken voorzichtig dat dit een "proof of concept" is. Ze hebben aangetoond dat dit werkt voor Europa met gegevens van 2020 tot 2024. Ze beweerden niet dat ze de voorspelling van droogte voor altijd hebben opgelost, maar ze hebben aangetoond dat het kijken naar 50 "wat als"-toekomsten ons een veel duidelijker beeld geeft van het gevaar dan het kijken naar slechts één verleden. Het is een verschuiving van het gokken over de toekomst naar het begrijpen van het volledige spectrum aan mogelijkheden, zodat we niet worden overvallen wanneer de klimaatdobbelstenen tegen ons uitvallen.