The emergence of regional record-breaking summer heat predictability

Extreme hitte is een van de gevaarlijkste gevolgen van door de mens veroorzaakte klimaatverandering, en treft de wereld met een frequentie en intensiteit die elk jaar versnelt. Hoewel wetenschappers al lang begrijpen dat een opwarmende planeet warme dagen waarschijnlijker maakt, is het voorspellen van precies wanneer en waar een specifieke, recordbrekende zomer zal plaatsvinden, een formidabele uitdaging gebleven. Deze moeilijkheid komt voort uit het feit dat het weer een chaotische mix is van voorspelbare langetermijntrends en onvoorspelbare korteterm fluctuateurs. Decennialang heeft de wetenschappelijke gemeenschap gedebatteerd over hoeveel van een hittegolf wordt gedreven door de gestage hand van de wereldwijde opwarming versus de willekeurige rimpelingen van natuurlijke klimaatvariabiliteit. De kernvraag was of we deze dodelijke extremen betrouwbaar jaren van tevoren kunnen voorspellen, om gemeenschappen voldoende tijd te geven om zich voor te bereiden, of dat de inherente chaos van de atmosfeer dergelijke langetermijnwaarschuwingen onmogelijk maakt.

Een team onderzoekers heeft nu een nieuwe manier ontwikkeld om deze vraag te beantwoorden, waarbij zij aantoont dat het vermogen om recordbrekende zomers te voorspellen niet alleen een toekomstige mogelijkheid is, maar al in veel delen van de wereld aan het ontstaan is. Door gebruik te maken van geavanceerde computertools voor leren, ontdekten zij dat het combineren van de gestage stijging van de wereldtemperaturen met specifieke patronen in de oppervlaktetemperaturen van de oceanen nauwkeurige voorspellingen van extreme hitte vijf tot tien jaar voordat deze plaatsvinden, mogelijk maakt. Deze aanpak presteert beter dan traditionele klimaatmodellen in veel regio's, wat suggereert dat we een tijdperk binnengaan waarin de timing van onze heetste zomers met aanzienlijk vertrouwen kan worden voorzien.

De onderzoekers, Emily Gordon van de Universiteit van Auckland en Noah Diffenbaugh van Stanford University, richtten zich op een specifiek type voorspelling: het bepalen of een zomer in de volgende vijf of tien jaar heter zal zijn dan enige zomer die in het recente verleden is vastgelegd. Om dit te doen, trainden zij een type kunstmatige intelligentie die bekend staat als een convolutioneel neuraal netwerk. Denk aan dit systeem als een zeer bekwame patroonherkenner die leert door enorme hoeveelheden historische gegevens te bestuderen. De computer werd gevoed met twee hoofdtypen informatie: de gemiddelde temperatuur van de gehele wereld en de veranderende patronen van de zeetemperatuur aan het oppervlak over de wereldzeeën. Het doel was om te zien of de computer kon leren om de specifieke combinatie van een opwarmende planeet en gunstige oceaancondities te herkennen die leiden tot een recordbrekende zomer.

Toen het team deze methode testte tegen echte wereldgegevens van de afgelopen decennia, waren de resultaten opmerkelijk. Het computerleer-model identificeerde succesvol de momenten waarop een recordbrekende zomer waarschijnlijk zou plaatsvinden, en voorspelde de gebeurtenis vaak jaren van tevoren. In regio's zoals Oost-Europa detecteerde het model bijvoorbeeld de omstandigheden die zouden leiden tot een nieuw hitterecord rond het begin van de jaren 2000, waarmee het correct anticipeerde dat het vorige record gebroken zou worden. Het voorspelde ook correct dat er in de jaren 2010 geen nieuw record zou worden gevestigd, om vervolgens een andere recordbrekende zomer rond 2024 te voorspellen. Dit vermogen om onderscheid te maken tussen een warm jaar en een werkelijk historisch jaar bewees dat het model werkelijke signalen oppikte in plaats van simpelweg te gokken.

Cruciaal is dat de onderzoekers ontdekten dat deze machine learning-aanpak vaak nauwkeuriger was dan de standaard dynamische modellen die klimaatwetenschappers gebruiken, welke vertrouwen op complexe natuurkundige vergelijkingen om de atmosfeer en de oceanen te simuleren. In veel gebieden, waaronder Noord-Afrika, de Middellandse Zee, Oost-Azië en delen van Australië en Zuid-Amerika, voorspelde het computermodel het begin van recordhitte met een grotere vaardigheid dan de traditionele modellen. De traditionele modellen hadden vaak moeite om de specifieke interne variaties van het klimaatsysteem te vangen die, in combinatie met de wereldwijde opwarming, deze extreme gebeurtenissen triggeren. Het machine learning-model daarentegen leerde de subtiele voorbodes in de oceaan en de atmosfeer te herkennen die een hittegolf aankondigen.

De studie introduceert een concept dat zij "voorspelbaarheidsemergentie" noemen. Dit beschrijft het punt waarop de wereldwijde opwarming sterk genoeg wordt dat, wanneer deze wordt gecombineerd met natuurlijke oceaanpatronen, recordbrekende hitte voorspelbaar wordt. In het verleden was de willekeurige ruis van natuurlijke klimaatvariabiliteit zo luid dat deze het signaal van de wereldwijde opwarming overstemde, waardoor het onmogelijk was om specifieke extreme gebeurtenissen jaren van tevoren te voorspellen. Echter, naarmate de planeet blijft opwarmen, is het signaal van die opwarming luider geworden. De onderzoekers vonden dat in veel regio's dit signaal al sterk genoeg is geworden om betrouwbare voorspellingen mogelijk te maken. In sommige plaatsen is het vermogen om een recordbrekende zomer binnen een venster van vijf jaar te voorspellen al geëmergeerd, terwijl in andere gebieden wordt verwacht dat dit binnen de komende tien of twintig jaar mogelijk zal worden, indien de huidige opwarmingstrends aanhouden.

Het team onderzocht ook hoe ver deze voorspellingen in de toekomst konden reiken. Zij ontdekten dat het uitbreiden van het voorspellingsvenster van vijf naar tien jaar de vaardigheid om recordhitte te voorspellen aanzienlijk verbeterde. Dit komt simpelweg omdat een langere tijdspanne de statistische waarschijnlijkheid vergroot dat een extreme gebeurtenis plaatsvindt. In veel delen van het noordelijk halfrond suggereert het model dat als we tien jaar vooruitkijken, we de komst van een nieuw hitterecord al behendig kunnen voorspellen, mits de oceaancondities gunstig zijn. Zelfs in regio's waar het opwarmingssignaal nog niet dominant is, betekent de combinatie van een langer voorspellingsvenster en de gestage stijging van de wereldwijde temperatuur dat voorspelbaarheid waarschijnlijk snel zal emergeren.

Een van de belangrijkste bevindingen van de studie is dat deze voorspelbaarheid steunt op zowel de langetermijn opwarmingstrend als de kortetermijnfluctuaties van de oceanen. De onderzoekers testten wat er zou gebeuren als zij de oceaangegevens uit het model zouden verwijderen, waardoor het alleen de wereldwijde temperatuurtrend overhoudt. Zij vonden dat zonder de oceaaninformatie het vermogen van het model om specifieke recordbrekende zomers te voorspellen aanzienlijk afnam. Dit bevestigt dat hoewel de wereldwijde opwarming het toneel bereidt voor extreme hitte, de specifieke timing en locatie van deze gebeurtenissen nog steeds sterk worden beïnvloed door de natuurlijke variabiliteit van de oceanen. Het machine learning-model slaagt omdat het leert het script te lezen dat geschreven wordt door zowel de opwarmende planeet als de verschuivende zeeën.

De onderzoekers keken ook naar hoe deze voorspellingen in de toekomst zouden kunnen veranderen. Door verschillende niveaus van wereldwijde opwarming te simuleren, schatten zij dat voor de meeste landregio's het vermogen om een recordbrekende zomer binnen vijf jaar te voorspellen mogelijk zal zijn binnen de komende 10 tot 30 jaar, uitgaande van de huidige opwarminrate. In sommige gebieden is deze drempel al overschreden. De studie suggereert dat naarmate de planeet verder opwarmt, het venster voor betrouwbare voorspelling zal verbreden, wat gemeenschappen meer tijd biedt om zich voor te bereiden op de onvermijdelijke komst van extreme hitte.

Hoewel de resultaten veelbelovend zijn, merkt de auteur voorzichtig op dat er beperkingen zijn aan hun werk. De machine learning-modellen zijn getraind op gegevens uit een enkele klimaatsimulatie, en verschillende modellen kunnen licht afwijkende resultaten opleveren. Daarnaast zijn de modellen beter in het voorspellen van seizoensgemiddelden dan van specifieke, kortstondige hittegolven, hoewel de twee nauw met elkaar verbonden zijn. De onderzoekers wijzen er ook op dat als toekomstige oceaanpatronen zich ontwikkelen op manieren die nog nooit eerder zijn gezien, de huidige voorspellingen aangepast moeten worden. Het kernresultaat blijft echter robuust: de combinatie van door de mens veroorzaakte opwarming en natuurlijke oceaanvariabiliteit creëert een nieuw tijdperk van voorspelbaarheid voor extreme hitte.

Dit werk vertegenwoordigt een significante verschuiving in de manier waarop wetenschappers klimaatvoorspellingen benaderen. In plaats van extreme gebeurtenissen als puur chaotisch en onvoorspelbaar te beschouwen, laat de studie zien dat zij een voorspelbaar signaal bevatten dat sterker wordt naarmate de planeet opwarmt. Door machine learning te gebruiken om de complexe relatie tussen de oceanen en de atmosfeer te ontcijferen, hebben onderzoekers een manier gevonden om verder in de toekomst te kijken dan ooit tevoren. Dit betekent niet dat het klimaat volledig voorspelbaar is geworden, maar het betekent wel dat we het vermogen krijgen om de meest gevaarlijke hittegebeurtenissen te voorzien met een niveau van vertrouwen dat voorheen onbereikbaar was. Voor gemeenschappen over de hele wereld kan dit opkomende vermogen om recordbrekende zomers te voorspellen een essentieel instrument voor adaptatie zijn, wat een cruciaal tijdsbestek biedt om levens en infrastructuur te beschermen tegen de escalerende dreiging van extreme hitte.