Hvordan man træner sin kode: Kunstig intelligens forbedrer din vejrudsigt
Stråling er en væsentlig del af vejrudsigten. Forholdet mellem indkomne solstråler vs. udadgående varmestråling er et kompliceret regnestykke, som optager en hel del af beregningstiden bag en vejrudsigt. Ved hjælp af machine learning er det lykkes ph.d.-studerende ved DMI og NBI Peter Ukkonen at gøre disse udregninger betydeligt hurtigere og dermed tage et vigtigt skridt i retning af en mere præcis vejrudsigt.
Solen er den helt store, drivende motor bag vores vejrsystem. Energien fra den opvarmer luften og vandet. Varm luft stiger til vejrs og noget af vandet fordamper. Luften afkøles på vej op eller karambolerer med kold luft højere oppe, og vanddampen i luften fortættes til skyer. På den måde bliver hele systemet af skyer, vind, nedbør og så videre sat i gang. Samtidig forlader en del af energien fra solen vores atmosfære igen i form af varme. Derfor er balancen i strålingsregnskabet en vigtig spiller at have styr på, hvis der skal laves ordentlige vejrudsigter.
Mere eller mindre gennemtrængelig luft
Regnestykket angående strålig er desværre ikke helt simpelt. På grund af vores atmosfære er det ikke 100 % af solens stråler, der når helt ned til os, og af samme grund er det heller ikke al den indkomne energi, der forlader os igen i form af varme. Dette skal vi være glade for, da jorden ellers ville være ubeboelig kold for os.
Balancen i regnskabet er så kompliceret at beregne, at computerkraften ikke slår til. F.eks. køres strålingsberegningerne i den globale vejrudsigt i dag kun én gang i timen.
Hvis beregningerne kan lettes, vil man kunne udregne strålingen med større detaljegrad og oftere, hvilket vil føre til endnu mere realistiske vejrudsigter, end vi har i dag.
Når computeren tygger sig igennem målinger og koder for at komme med et bud på den nyeste vejrudsigt, går en del af kræfterne med at beregne stråling. Gas-optik optager omkring 1/3 af denne proces og handler om, hvor meget stråling der absorberes af en luftmasse, og hvor meget stråling der passerer igennem denne. Den absorberede stråling går til at opvarme gassen.
Gas-optik har derfor stor betydning for, hvordan strålingsregnskabet tager sig ud, og det er netop denne del, som Peter Ukkonen har arbejdet med. Det er faktisk lykkes ham at gøre beregningstiden bag gas-optik tre gange hurtigere.
Grunden, til at gas-optik er en så tung faktor at beregne, skyldes, at fænomenet er ekstremt kompleks, fordi gassen ændrer karakter afhængig af:
- Typen af luft/gas
- Mængden af gassen
- Lufttrykket
- Temperaturen
Ud over gennemtrængeligheden af gas har skyer og aerosoler (svævende partikler som pollen, aske, støv og røg) også en betydning for, hvor meget stråling der slipper ind og ud af vores atmosfære. Beregningerne for disse er dog ikke så tidskrævende som for gas-optikken.
Jagten efter mønstre i data
Peter Ukkonen har anvendt machine learning til at effektivisere udregningsprocessen bag gas-optik. Machine learning er en af komponenterne bag kunstig intelligens og går ud på, at systemet lærer gennem data.
Man træner så at sige koden ved at give den store mængder data, som den skal finde mønstre i. Man justerer, finindstiller og afpudser koden, så den giver de bedst mulige resultater. Den kan dermed fremover meget hurtigt finde retvisende mønstre i lignende typer af data – i dette tilfælde informationer om stråling.
I de rigtige sammenhænge kan machine learning være særdeles effektivt og erstatte komplekse og tidskrævende udregninger. Udfordringen er at give koden eller modellen data nok til, at den også kan give et fornuftigt resultat ud fra data, som den ikke har set endnu. Og med hensyn til vejrudsigter, for slet ikke at tale om klimamodeller, er man jo netop interesseret i at se ud i fremtiden. Det er altså en af de udfordringer, som Peter Ukkonen har arbejdet på at løse.
Same but different - stråling i klimamodeller
Strålingsberegningerne er også uhyre vigtige i klimamodellerne. Machine learning er derfor ligeledes relevant for at give en god idé om fremtidens klima, men der er hovedsageligt tre ting, som komplicerer arbejdet:
- Som nævnt har en model optrænet med machine learning svært ved at forudsige mønstre i data af en slags, som den ikke kender. Hvis en model kun er blevet trænet på det nuværende klima, vil den give dårlige forudsigelser, hvis klimaet ændrer sig. Der er ingen garanti for, at de bud, den kommer frem til, overhovedet er fysisk mulige!
- Effekten af mange forskellige drivhusgasser skal inkluderes, og koncentrationen af dem kan være meget anderledes i fremtiden. Og selv små ændringer i udledningen nu kan have en meget stor effekt, når man kigger på de lange tidshorisonter. Det gør beregningerne ekstra usikre.
- Den største udfordring er faktisk vanddamp. Dette er den vigtigste drivhusgas, og dens koncentration kan ændre sig en hel del samtidig med, at effekten på atmosfærens gennemtrængelighed er meget kompleks.
Prognosen for fremtidens arbejdsgang inden for området lyder på, at vejr- og klimamodeller vil blive ved med at være bygget på grundlæggende fysiske principper, men at machine learning bliver en meget vigtig hjælper. Teknikken kan bruges til at udfylde huller i beregningerne, hvor de fysiske funktioner ikke er kendte, eller det er umuligt at løse dem.
Ph.d.-projektet sker i samarbejde med ECMWF og Københavns Universitet. Det hedder ESCAPE-2 og er støttet af Horizon2020.
Læs mere om vejrmodeller på engelsk eller dansk..
Af Peter Ukkonen og Lærke Krogaard Hansen
29. november 2019
