Hva er en klimamodell?

En klimamodell gjør beregninger basert på fysikkens lover. 

Klimamodellene er en slags utvidelse av værvarslingsmodellene. I tillegg til værvarsling har klimamodellen også beregninger av: 

• jord
• vegetasjon
• hav
• is
• biosfæren 

De store klimamodellene kalles ofte for jordsystemmodeller. 

Beregningen foregår ved å dele klimasystemet (både hav, atmosfære, jord, vegetasjon, is etc.) inn i bokser. Så beregnes fysiske og kjemiske prosesser for hver boks og interaksjonene mellom boksene. Resultatet er en fysisk konsistent beregning av bevegelsene i både hav og atmosfære samt temperatur og fuktighet nedover i jorden. 

Modellene er kjempestore!

Med bedre forståelse av klimasystemet og stadig kraftigere datamaskiner, kan klimamodellene foreta stadig mer presise beregninger.

I dag finnes det omtrent 20 forskjellige globale jordsystemmodeller som brukes til å beregne historisk og framtidig klima. Modellene er kjempestore! 

Størrelsen på boksene er typisk 150*150 km horisontalt, mens de vertikalt varierer med hvilken del av systemet man beregner. For jord er de gjerne 25 cm tykke, mens for atmosfæren ca 20-50 m tykke nær bakken. For havet har norske forskere utviklet en egen komponent, den regner ikke dybde i meter, men i tetthet. 

Vær og havstrømmer beregnes for typisk hvert 15. minutt framover i tid. 

I Norge brukes en global klimamodell som kalles Norwegian Earth System Model (NorESM). Slike modeller er enormt store dataprogrammer med typisk en halv til en million kodelinjer.  En beregning som dekker de siste 100 år vil typisk ta 2 til 4 uker på den norske supercomputeren. 

Jorden fordelt i små bokser

Klimamodeller deler opp jorden i bokser. I hver boks er det en rekke fysiske prosesser som skal beregnes. Det er prosesser i klimasystemet som fordampning og kondensasjon (skydannelse), absorbsjon og refleksjon av stråling og turbulens. Deretter må klimamodellen beregne interaksjoner mellom de ulike boksene, i form av vind og havstrømmer. 

Hvis vi forandrer for eksempel solinnstråling, drivhusgasser, forurensningspartikler eller vegetasjonsdekket, vil dette påvirke hvor mye energi som tas opp i klimasystemet. Det vil igjen forandre temperatur, vær og havstrømmer. På den måten kan man få et innblikk i hvordan klimaet vil endre seg ikke bare globalt, men også regionalt etter hvert som man slipper ut store mengder drivhusgasser gjennom brenning av fossilt brensel som olje, kull og gass. 

Globale modeller og regionale modeller

I tillegg til de store globale klimamodellene, bruker man også regionale modeller som bare dekker et lite område av jorden. 

Disse modellene får informasjon fra en global klimamodell på randen av området og bruker havtemperaturene fra en global modell istedenfor å selv regne ut havstrømmene. De har heller ikke noen innebygd karbonsyklus og leser isteden inn luftkonsentrasjoner av CO₂ og andre langlivede drivhusgasser istedenfor å beregne disse fra utslipp. 

På grunn av disse forenklingene og fordi de bare gjør beregninger for et lite område, kan man bruke mye mindre gitterruter (typisk mellom 3*3 og 12*12 km store) og dermed beregne lokale vær og klima prosesser mer nøyaktig. 

Hvis klimamodeller er basert på fysikkens fundamentale lover, hvorfor er de ikke perfekte? 

Selv om klimamodeller er basert på fysikkens lover, er det en rekke ting som gjør at det vil være usikkerheter i resultatene fra en klimamodell:

• Vi kjenner ikke alle eksakt variasjoner i sol, forurensningspartikler, vulkaner, drivhusgasser, etc. Det er også usikkerheter i hvordan de har utviklet seg bakover i tid og ikke minst hvordan de vil utvikle seg framover i tid.
• Vi kan ikke løse likningene for uendelig mange punkt og uendelig kort tidsrom, så vi må gjøre gjennomsnittsanslag i rom og tid.
• Når en fysisk prosess skjer på en skala som er mindre i tid eller utstrekning enn det gitterruten representerer, må prosessen forenkles slik at den kan beskrives ved hjelp av variabler som temperatur, vind, etc., på den skalaen som gitterruten representerer.
• De fysiske likningene må omgjøres til kode som løses ved hjelp av såkalte numeriske løsningsmetoder. Disse er ikke eksakte.
• Klimasystemet er delvis kaotisk og derfor ikke totalt forutsigbart. Modellene opererer på samme måte. Det betyr at vi kan kjøre en modell to ganger over 100 år med eksakt samme verdier for drivhusgasser, solinnstråling og lignende, vil vi likevel få litt forskjellige resultat dersom vi for eksempel tar ut en 30 års middeltemperatur for Bergen i de to simuleringene. Det er fordi været ikke nødvendigvis var det samme på alle dagene i de to simuleringene. Klima og værvarslingsmodeller kjøres derfor flere ganger for å spenne ut de usikkerhetene som ligger i værets delvis kaotiske natur. 

Hva er en KI-modell?

Tradisjonelle vær- og klimamodeller er dynamisk og numerisk modellering basert på fysiske lover, i motsetning til modeller med kunstig intelligens som er basert på statistiske algoritmer og store mengder data, som for eksempel observasjoner over været. 

Algoritmene i modeller med kunstig intelligens har ingen underliggende prosessforståelse slik de tradisjonelle klimamodellene har. KI-modellene prøver å beregne vær og klima basert på hva man tidligere har observert eller den kan prøve å kopiere resultatene til en fysisk basert modell, for å lage en såkalt emulator som vil kunne kopiere resultatene til en fysisk basert modell ved hjelp av svært lite regnekraft. 

Disse algoritmene er i motsetning til dagens fysisk baserte klimamodeller, ikke programmert til å beregne vær og klima. De er programmert for å finne mønster og sammenhenger i store mengder med data helt uavhengig av hvilke data dette er.  Figuren under viser et eksempel på hvordan en slik KI-algoritme kan brukes for å beregne nedbør.  Algoritmen må først trenes opp (Figur 2, øverst), så må man sjekke at modellen greier å predikere det man vil ved bruk av data som den ikke er trent på (Figur 2, nederst). 

Figur2 gir et skjematisk eksempel på hvordan en KI-algoritme ville kunne fungere hvis man ut fra forskjellige værparameter som temperatur, vind og fuktighet som inngangsdata har lyst til å forutsi eller varsle for eksempel nedbør. 

KI-modellen kan trenes ved å la algoritmen lese inn 30-40 år med værdata for hele verden og så trene på å predikere hvor mye nedbør det blir hvis temperatur og vind har noen gitte verdier og mønstre (øverste figur).  

Treningen skjer ved at en feilfunksjon vil evaluere hvor god KI-algoritmen er sammenliknet med for eksempel observert nedbør. En modelloptimaliseringsprosess vil justere KI-modellen slik at avviket mellom modellprediksjonene og observasjonene blir så liten som mulig. 

På denne måten vil algoritmen trene seg opp, i en prosess med evaluering og optimalisering til den ikke greier å bli mer nøyaktig.  

Når man er ferdig med å trene modellen kan man teste ut om den kan forutsi hendelser den ikke er trent på (nederste figur).  Hvis den er dårlig trent, vil den feile på disse nye hendelsene og modellen vil ikke være brukbar.  Hvis modellen oppnår en nøyaktighet som er omtrent like høy for data den ikke er trent på som de den er trent på har vi en modell som kan brukes. 

Ofte kreves det at man trener på veldig store mengder data for å få en brukbar modell. 

KI i klimaforskningen - er det mulig?

Det drives i dag intensiv forskning på bruk av KI-modeller i klimaforskningen.  

Noen av temaene der man forsker på om KI-algoritmer kan være med å gi bedre resultat enn dagens metoder, er: 

• Finne systematiske feil i tradisjonelle modeller

Etterbehandling av prediksjoner (varsler) med fysisk baserte modeller.  KI-metoder er svært gode til å finne systematiske feil i modeller basert på fysikk. Hvis den fysisk baserte modellen for eksempel er litt for kald når det er høytrykk om vinteren og litt for kald når det er lavtrykk om sommeren, kan man bruke KI-modeller til å finne og korrigere disse feilene. 

Dette vil kunne være med å gi bedre inngangsdata til virkningsmodeller som beregner for eksempel flom eller skred.
 

• Forenkle tungregning 

Kopiere beregningstunge, fysiske modeller (emulatorer). De tradisjonelle modellene blir fort veldig beregningstunge. De krever enorm regnekapasitet på superdatamaskinene. Det kan ta mer en to uker å beregne 100 år med klima i en klimamodell.  

KI-modeller har vist seg gode til å kopiere resultatene av vanlige modeller. 

For eksempel, hvis vi vil beregne klimaforandringer i Norge med et veldig tett rutenett, vil oppgaven bli svært beregningstung. 

La oss si at vi har regneressurser til å beregne klima i to 30 års perioder: Dagens klima og et framtidig klima med en valgt forandring i fremtidige drivhusgassutslipp. Da kan kanskje en KI-modell lære å kopiere resultatene og generalisere dem så vi kan kjøre den raske KI-modellen for andre tidsperioder og med andre klimautslipp. Figur 3 viser et eksempel fra et pågående EU-prosjekt der forskere ved Bjerknessenteret er med. Her er en KI-modell lært opp til å etterlikne en fysisk basert modell.
 

• Forbedre og finjustere fysiske prosesser

Beregning av fysiske småskalaprosesser i fysiske modeller som skjer på en skala i tid og rom som er mindre enn det gitterruten representerer. I dag blir approksimeres disse ofte vha statistiske relasjoner mellom det som skjer på stor skala og det som skjer på mindre skala. KI-metoder kan kanskje overta oppgaven til disse relasjonene. For eksempel kan man trene en finskala KI basert skymodell som man legger inn i en storskala fysisk basert klimamodell for at beregningen av skyer skal bli bedre.  

• Bidra der man mangler observasjoner 

KI-metoder kan lære relasjoner mellom variabler som gjør at man lettere kan estimere verdier der man ikke har observasjoner. For eksempel hvis man har nedbørsobservasjoner i Drammen og på Hønefoss og vil estimere nedbøren i Vikersund, kan KI-metoder gjøre bruk av en rekke forskjellig type informasjon som for eksempel topografi, vindretning og lignende - som kan gi gi et bedre estimat enn det dagens metoder klarer. I forskningen kaller vi dette dataassimilering og interpolering

• Finne ut når vi kan stole på værvarselet 

Man kan tenke seg at KI-metoder kan hjelpe oss å bedre forstå hva som gjør at vær- og klimasimuleringer blir usikre.  For eksempel kan man prøve å lære opp en KI-modell til å finne ut når vi skal stole på værvarselet og når varselet er så usikkert at det ikke er brukbart. Slik kan KI være med å identifisere kilder til forutsigbarhet og usikkerhet i tradisjonelle modeller. 

Hva er problemet med KI i klimaforskningen?

Selv om mulighetene er mange, er det fortsatt en rekke problemer knyttet til bruk av KI i vær- og klimaforskning som må løses før disse modellene er robuste nok til at vi kan ha tiltro til at de gjør de riktige tingene. 

For mange forskningsproblemer, er det rett og slett ikke nok observasjoner eller andre data tilgjengelig til at vi kan gjøre oss nytte av disse datadrevne metodene. 

Siden KI-modellene ikke kan fysikk eller kjemi, kan de ende opp med å gi oss varsler som fysisk sett ikke er mulige. Det er også svært vanskelig å finne ut hvordan KI-modellene kommer fram til resultatet. 

For eksempel kan en KI-modell varsle at det blir mer flom i framtiden, men hvordan den kom fram til det resultatet er ikke lett å finne ut av. Skal vi ha tiltro til KI-varslene, må vi forstå dem. Dette forskes det heldigvis på i dag. 

Å varsle ekstremvær med KI er et eget problem. Ekstremværhendelser opptrer sjelden, og slike hendelser vil modellen se bare noen få ganger da den ble trent. En vanlig dag med normale værforhold har modellen sett tusenvis av ganger under trening. Hvordan får vi KI-modellene til å beregne framtidige hendelser som de har sett noen få ganger eller kanskje aldri har sett i trendingsdatasettet? 

Dette er et spesielt stort problem hvis disse modellene skal kunne hjelpe oss å si noe om et framtidig klima som er varmere enn dagens. 

På sikt kan man se for seg at de to tilnærmingene, en teoridrevet, fysisk basert forståelse kan slås sammen med KI og datadrevne relasjoner, slik at man får en bedre forståelse av klima, vær og havstrømmer.