Hopp til hovedinnhold

Gjennombrudd for varsling av El Niño-fenomen i Atlanterhavet

Frem til nå har ikke forskere klart å varsle en oppvarming av Sør-Atlanteren. Ved hjelp av kunstig intelligens har de nå lykkes med å varsle El Niño-fenomen i området opp til 3-4 måneder før.

Publisert 14. april 2025

Skrevet av Tori Pedersen

En fisker på jobb på en liten flåte utenfor kysten av Angola. Foto: Marek Ostrowski

En fisker på jobb på en liten flåte utenfor kysten av Angola. Foto: Marek Ostrowski

El Niño betyr uvanlig høy overflatetemperatur i det sentrale og østlige Stillehavet, nær ekvator. Det finnes også en lillebror i det tropiske Atlanterhavet. Dette fenomenet endrer nedbør langs Afrikas vestkyst og påvirker lokale marine økosystemer og fiske. Ingen har klart å varsle disse hendelsene, før nå.  

-Vi er veldig begeistret fordi det er første gang vi faktisk har kunnet varsle slike værfenomener som er nyttig for samfunnet å vite om, sier Marie-Lou Bachèlery om sitt prosjekt som nettopp ble publisert i Science Advances.  

Stor påvirkning

Det tropiske Atlanterhavet er avgrenset av den brasilianske kystlinjen i vest og den afrikanske kystlinjen i øst. Som en betydelig komponent i klimasystemene påvirker variasjoner i havet lokale værmønstre.  

Sør-Atlanteren er en av regionene som skiller seg ut med ganske sterk oppvarming. Dette skaper problemer på flere områder og derfor har forskerne jobbet med å forstå hvordan de kan forutsi fenomenet.  

-Min idè var å bruke klimamodeller til å varsle El Niño-fenomen utenfor kysten av Africa. Prosjektet ble finansiert gjennom et Marie Curie-stipend, men etter halvannet år med arbeid innså vi at det ikke fungerte og at vi var i en fastlåst situasjon, sier Bachèlery.

Matsikkerhet i mange afrikanske land avhenger av tilgjengeligheten av fisk. Foto: Marek Ostrowski

Klimamodellene sliter

På den tiden arbeidet Bachelery ved Geofysisk Institutt ved Universitetet i Bergen. Nå er hun tilsatt ved Euro-Mediterranean Center on Climate Change i Italia. 

Klimamodeller sliter ofte med å forutsi varme hendelser i det tropiske Atlanterhavet på grunn av lav oppløsning. Modellene klarer ikke å gi nøyaktig representasjon av oppvelling, som er en prosess i havet som løfter vannmasser fra dypere nivåer til overflaten. Denne oppvellingen krever høyoppløselig modellering for å fange opp de fin-skala prosessene som er involvert. På bakgrunn av dette blir store systematiske feil i temperaturen i regionen, som igjen fører til flere feil og unøyaktige prediksjoner.   

-Med innovative teknikker som maskinlæring og kunstig intelligens begynte jeg å tenke på mulighetene. I tillegg til at jeg kjenner regionen veldig godt. Jeg visste nøyaktig hvilke data jeg måtte legge inn for å forutsi disse hendelsene, forklarer Bachèlery.  

Møte mellom relevante parter i Angola og forskere for å diskutere hvordan dette informasjonen kan tas i bruk. Foto: Hilkka Ndjaula

- Spennende resultat

Professor Noel Keenlyside var Bachèlerys veileder og har jobbet med prediksjon i mange år. Første gang han jobbet med prediksjon i Atlanterhavsregionen var for femten-tjue år siden. 

-For første gang er det faktisk mulig å forutsi disse hendelsene ved å bruke en annen tilnærming. Mange har forsøkt å få fram korrekte varslinger for dette områder i flere tiår, derfor er Marie-Lou`s resultater så spennende, sier Keenlyside.  

Marie-Lou Bachèlery. 

Å kunne varsle perioder med varmt hav vil være svært nyttig, spesielt for fiskeriene.  

-Når det blir ekstremt varmt kan fiskeriene begrense fiske i denne regionen for å redusere presset fra miljøet, forklarer Keenlyside.  

Da de først fikk resultatet fra studien, kunne ikke Bachèlery tro det hun så. 

-Jeg sjekket om igjen en milliard ganger for å være sikker på at vi ikke hadde overpredikert, fordi det er en vanlig feil innen maskinlære.  

Her ser du hvordan kunstig intelligens treffer på fasit. Kunstig intelligens er den oransje linjen, mens fasit er den svarte linjen. (Figur, Bachèlery et al., Science Advanced)

Treffsikker 

For å gjøre en beregning ga de maskinen kart over temperaturen i regionen de var interessert i. Deretter identifiserte maskinlæringsmodellen mønstre og områder som ga informasjon som førte til nøyaktige prediksjoner for de neste to månedene. Ved å få tilgang til denne informasjonen kan de representere fysiske mekanismer, ettersom prediksjonsmodellen er trent på ekte data.  

-Maskinen gjorde ikke tilfeldige ting. Den baserte seg på reelle fysiske mekanismer som eksisterer. Det var den meste interessante delen for meg, sier Bachèlery. 

Enso

ENSO betegner klimafenomenet El niño-sørlig svingning. Det er satt sammen av:

  • El niño og La niña – variasjoner i overflatetemperaturen i Stillehavet.
  • Sørlig svingning – variasjoner i sirkulasjonen i atmosfæren i tropene.

ENSO er som en huske der El niño og La niña er utslag i hver sin retning. Denne svingningen påvirker været langt utenfor området der fenomenet oppstår. Derfor betegnes den som en fjernkobling. 

På engelsk heter fenomenet El Niño-Southern Oscillation (ENSO). Forkortelsen ENSO brukes også på norsk. ENSO er som en huske der El niño og La niña er utslag i hver sin retning.

Positive tilbakemeldinger

Tilbakemeldingen på resultatet har vært svært positive. Bachèlery forklarer at hun har fått kommentarer på at de faktisk har klart å varsle i dette området, og flere stiller spørsmål om hvilken type algoritme de brukte.  

-Selv om systemet nødvendigvis er for deres region, kan hele teknikken brukes for ethvert system. Og det tror jeg folk blir veldig begeistret for, sier Bachèlery. 

De jobber nå med å gjøre prognosene enda mer tilgjengelige. 

-Vi er i dialog med de som trenger disse prognosene fra National Institute for Fisheries i Angola, for å forbedre og tilpasse informasjonen til deres behov. Det er veldig gledelig å se at forskningen blir samfunnsrelevant, sier Keenlyside.  

Referanser