Verbesserung der saisonalen Lufttemperatur-Vorhersage mittels eines genetischen Algorithmus
Forschern der Universitäten von Utrecht und Yokohama ist es gelungen, die Genauigkeit jahreszeitlicher Temperaturvorhersagen durch die Anwendung eines „genetischen Algorithmus“ zu verbessern. Dazu haben sie einen gewichteten Durchschnitt der Mitwirkenden aus saisonalen Prognosen gebildet – wie sie in Scientific Reports berichten. Denn es würden zwar viele Anstrengungen unternommen, um die Auswirkungen des Klimawandels zu erkennen und seine Folgen abzumildern. Es besteht jedoch auch die dringende Notwendigkeit, die Fähigkeit zur Vorhersage des Klimas auf saisonaler bis interner Zeitskala zu verbessern, mindestens wenige Monate im Voraus.
Abstrakt
„Jahreszeitliche durch numerische Modelle erzeugte Vorhersagen der Lufttemperatur geben den Planern und der Gesellschaft als Ganzes Orientierung. Die Erstellung genauer saisonaler Prognosen ist jedoch eine Herausforderung, die vor allem auf den stochastischen Charakter der atmosphärischen internen Variabilität zurückzuführen ist. Daher wird oft eine Reihe von Mitwirkenden eingesetzt, um die Vorhersage-Signale zu erfassen. Mit der großen Verbreitung in den Vorhersagefahnen wird es wichtig, Techniken einzusetzen, um die Auswirkungen unrealistischer Mitglieder zu reduzieren. Eine dieser Techniken ist die Bildung eines gewichteten Durchschnitts der Mitwirkenden aus saisonalen Prognosen. In dieser Studie haben wir eine maschinelle Lerntechnik, nämlich einen genetischen Algorithmus, angewandt, um optimale Gewichte für die 24 Ensemblemitglieder des gekoppelten allgemeinen Zirkulationsmodells, das Scale Interaction Experiment-Frontier-Forschungszentrum für boreale Sommerprognosen der Global Change Version 2 (SINTEX-F2), abzuleiten. Unsere Analyse ergab, dass die Technik die 2m-Lufttemperaturanomalien (Messung in 2 m Höhe über Grund) über mehrere Regionen Südamerikas, Nordamerikas, Australiens und Russlands im Vergleich zum ungewichteten Ensemble-Mittelwert signifikant verbessert hat. Die räumliche Verteilung von Lufttemperaturanomalien wird durch die GA-Technik verbessert, was zu einer besseren Darstellung von Anomalien in den Vorhersagen führt. Daher könnten maschinelle Lerntechniken dazu beitragen, die regionalen Lufttemperaturprognosen in den mittleren und hohen Breitengraden zu verbessern, in denen die Modellkompetenz relativ gering ist.“ …
->Quelle und weiterlesen:
- J. V. Ratnam, H. A. Dijkstra, Takeshi Doi, Yushi Morioka, Masami Nonaka & Swadhin K. Behera: Improving seasonal forecasts of air temperature using a genetic algorithm, in: Scientific Reports, Band 9, Artikelnummer: 12781 (2019), https://www.nature.com/articles/s41598-019-49281-z
- Übersetzt mit deepl.com/translator