Machine learning skal lure sprækkerne i isen
Mønstergenkendelse med machine learning skal i nyt forskningsprojekt skabe stærkere klimamodeller. Målet er, at globale klimamodeller skal blive bedre i stand til at beskrive de store iskappers dynamik og hermed mindske den store usikkerhed, der gælder i forudsigelsen af fremtidens globale havniveau.
Antarktis iskappe indeholder is svarende til 60 meters global havniveaustigning. Læg dertil ekstra meter fra Indlandsisen i Grønland og de mange mindre gletsjere. Selv i et meget varmere klima vil det tage årtusinder at smelte så store mængder is, men også en mindre del af potentialet i de smeltende iskapper bekymrer regeringer verden over, fordi landene skal kunne modstå vandmasserne over de kommende år, årtier og århundreder. De vil ikke høre om potentielle ændringer, men om hvor meget og hvornår.
På den klimamæssigt korte bane – frem til år 2100 – anslår FN’s Klimapanel stigningen i havniveau til mellem 30 cm og en meter. Det er denne usikkerhed, som skal mindskes med forskningsprojektet PRECISE, der støttes med 42 millioner kroner fra Novo Nordisk Fonden. Det sker i et samarbejde mellem Niels Bohr Instituttet, Nationalt Center for Klimaforskning på DMI og Northumbria University i England.
– Der er i dag stor usikkerhed om, hvor meget vandet i verdenshavene kommer til at stige i fremtiden, både på den korte og på den lange bane. Det er en usikkerhed som gør det vanskeligt for både private og offentlige beslutningstagere. Derfor gør vi nu en ekstra indsats med ny teknologi for at mindske usikkerheden og øge vores forståelse af de processer, der kan få havniveaustigningen til at accelerere., siger Adrian Lema, chef for Nationalt Center for Klimaforskning, NCKF, på DMI.
Talknusere løber tør for tid
Fremtidens havniveauændring afhænger egentlig af simpel købmandsregning: forsvinder der mere is end der dannes? Det afgøres af mængden af snefald på iskapperne, der kan danne ny is, sammenlignet med afsmeltningen, der løber ud i verdenshavene. Summen af de to kaldes overflademassebudgettet, og kan beregnes for både Grønland og Antarktis.
Nordpå i Arktis frygter forskerne, at Indlandsisen vil nå et kritisk punkt med en fortsat afsmeltning af indlandsisens kanter, som reducerer området, hvor ny sne hvert år kommer til og efterhånden bliver til ismasse. Bliver Indlandisen gradvist lavere, og klimaet gradvist varmere, kan den højtbeliggende centrale dele af isen begynde at smelte hyppigere og hyppigere. Og så indtræder en forstærkende mekanisme mellem overfladens massebalance og højde, der vil accelerere afsmeltningen og potentielt på lang sigt lede til afsmeltning af hele iskappen. Den tekniske betegnelse for fænomenet er surface mass balance-height feedback på engelsk.
På Sydpolen er forskerne meget optaget af de enorme ishylder, der destabiliseres af varmt havvand, som gnaver på undersiden. Hvis bunden, som indlandsisen bag ishylden hviler på, skråner fra ishyldens begyndelse og nedad kan det varmere vand destabilisere den undergravede hylde og skabe en selvforstærkende effekt, hvor mere og mere is brækker af iskappen. Den tekniske betegnelse er Marine Ice Sheet Instability (MISI).
I begge tilfælde skal klimamodellerne, der er matematiske beskrivelser af fysikken i atmosfære, hav og is, foretage gigantiske beregninger, fordi atmosfære, hav og is hver især repræsenterer en række dynamikker, der skal beskrives i ligninger, og fordi der skal laves et nyt regnestykke, hver gang én af ligningens bestanddele ændres – og regnestykket vokser, hvis man ønsker et mere detaljeret billede af klimaændringerne.
– Selv supercomputere får åndenød, og med det nuværende setup kan vi kun gennemføre meget få af de detaljerede modelberegninger, fordi hver kørsel varer mange dage og endda måneder. De få kørsler er langtfra nok til sikre resultater, der kan give en robust vurdering af fremtidens ændringer. Derfor introducerer vi machine learning som metode til at udvikle klimamodellerne, siger klimaforsker Ruth Mottram, der er NCKF’s ansvarlige i projektet.
– DMI udviklede som et de første institutter i verden den globale klimamodel EC-Earth-PISM, der inkluderer iskapper realistisk, og de erfaringer, vi gjorde os om samspillet mellem atmosfære, hav og is kan vi nu bruge til at træne machine learning-modeller, siger Ruth Mottram.
På DMI er der i forvejen stor ekspertise inden for machine learning og artifical intelligence, særligt inden for arktisk havis.
Snyder med machine learning
Målet med NCKF’s del af projektet er forbedrede klimamodeller, der kan stille skarpt på, hvor meget vandet stiger og hvornår ved hjælp af nye beregninger til at beskrive selvforstærkende processer og tipping points, der kan give pludselige og uigendrivelige forandringer.
Machine learning kan afvikles med mindre computerkraft end klimamodellerne. Machine learning skal lære af data, forstå og opbygge metoder, der kan anvendes i andre processer. Det sker ved at fodre computeren med træningsdata for isolerede områder, som studeres og beskrives i mønstre, der igen kan omformuleres til algoritmer.
Algoritmerne, der bliver resultatet af machine learning kan tilføjes klimamodellernes beskrivelser af fysikken. De forbedrede klimamodeller anvendes på DMI i en senere del af PRECISE-projektet. Niels Bohr Institutet skal udvikle nye beskrivelser af dynamikken i isen, som på sigt kan anvendes i DMI’s iskappemodel, sammen med University af Northumbria.
– De nye metoder, vi tilsammen udvikler i PRECISE, har et samlet formål. Vi skal forstå de komplicerede processer, der afgør iskappernes fremtid, bedre end vi gør i dag. Lige nu er usikkerhederne i klimafremskrivningerne store, og vi har brug for en bedre vurdering af, hvor meget havet kan stige og hvor hurtigt, siger Ruth Mottram, der selv er uddannet glaciolog.
Globalt samarbejde
Det samlede forskningsprojekt skal vurdere risikoen og tidsrammen for store og pludselige globale bidrag til havniveau fra isen på Grønland og Antarktis – netop de områder, der er beskrevet med stor usikkerhed i rapporterne fra FN’s Klimapanel.
Med en beskrivelse af isens følsomhed over for de forskellige scenarier for klimaændringer, vil man forsøge at identificere mulige tærskler, der kan føre til pludselige forandringer, der endnu ikke er beskrevet.
Både de forbedrede klimamodeller og disses beregninger fødes tilbage til det globale videnskabelige samarbejde under FN’s Klimapanel.
– Det stigende havniveau er en af de største klimarelaterede udfordringer i Danmark, fordi vi er et land med rigtig meget kyst. Derfor er det et vigtigt fokus for DMI og Nationalt Center for Klimaforskning at forstå klimaet omkring de store iskapper for mere præcist at kunne vurdere, hvilken klimatilpasning vores samfund får brug for i fremtiden, siger Adrian Lema.
Projektet: Samarbejde mellem Niels Bohr Instituttet (Københavns Universitet), Nationalt Center for Klimaforskning (DMI) og University of Northumbria (England)
Samlet budget: 42 millioner kroner bevilget af Novo Nordisk Fonden. DMI’s andel er 8 millioner kroner.
Ansvarlig på DMI: Ruth Mottram, Nationalt Center for Klimaforskning. Budgettet dækker ansættelse af to forskere med ph.d-grad i årene 2024–2026 og 2026–2028 og en ph.d-studerende i 2024–2026.Metode: Machine learning og beregninger af iskappernes massebalance.
- Massetabet fra alle gletsjere, inklusiv de store iskapper i Grønland og Antarktis, er nu den største bidragyder til den globale stigning i havniveau.
- Stigning i havniveau er en alvorlig risiko som følge af global opvarmning. Kystsamfund og mange hundrede millioner mennesker risikerer årlige oversvømmelser inden år 2100.
- Fremskrivninger fra FN’s Klimapanel (IPCC) for stigning i havniveau rummer en usikkerhed på 30 cm til 1 meter frem mod år 2100 – selv hvis usikkerhederne forbundet med iskappernes ustabilitet ikke regnes med.
Af Torben Bjørgheim Abildgaard, DMI Kommunikation
14. juni 2023
