Ka mbi 30,000 stacione meteorologjike në botë, që matin temperaturën, reshjet dhe tregues të tjerë shpesh në baza ditore. Kjo është një sasi masive e të dhënave për studiuesit e klimës për të përpiluar dhe analizuar për të prodhuar temperaturat mujore dhe vjetore globale dhe rajonale (veçanërisht) që bëjnë lajmin.

Tani studiuesit kanë lëshuar Inteligjencën Artificiale (AI) në këto grupe të dhënash për të analizuar ekstremet e temperaturës në Evropë, duke gjetur një marrëveshje të shkëlqyer në krahasim me rezultatet ekzistuese që përdorën metoda tradicionale dhe gjithashtu kanë zbuluar ekstreme klimatike të panjohura më parë. Puna e tyre është botuar në Nature Communications.

Me ndryshimin e shpejtë të klimës së botës, është e rëndësishme të dihet se si po ndryshojnë ekstremet e temperaturës dhe reshjeve, kështu që planifikuesit mund të përshtaten me ekstremet këtu tani dhe me atë që po vjen.

Bie shi më i fortë në disa rajone, tani "shumë jashtë klimës historike" sipas një artikulli të vitit 2021 në Nature. Ekstremet e nxehtësisë janë gjithashtu në rritje më shumë se 30% e sipërfaqes globale të tokës tani sheh temperatura mujore mbi nivelin statistikor dy-sigma në çdo vit të caktuar, nga rreth 1% në 1950.

Një problem i rëndësishëm në analizën e mesatareve historike të temperaturës është mungesa e të dhënave për disa stacione meteorologjike, veçanërisht në gjysmën e parë të shekullit të kaluar.

Një stacion meteorologjik i drejtuar mund të ketë mbetur i pa monitoruar për vite me radhë nëse është dëmtuar, nëse mbajtësi i tij lëviz ose ka vdekur, nëse është ndalur dhe nuk është zëvendësuar menjëherë, ose ndoshta nuk është zëvendësuar kurrë. Teknologjitë e reja të stacioneve duhet të lidhen me instrumentet e mëparshme dhe zona të mëdha në Afrikë dhe pole ofrojnë informacion të pakët, nëse ka.

Studiuesit e klimës kanë shpenzuar shumë kohë duke u përpjekur të merren me boshllëqe të tilla. Një zonë kërkimore e njohur si homogjenizimi i të dhënave dhe zgjedhjet e ndryshme të metodologjive të homogjenizimit kryesisht përbëjnë dallimet e vogla që shihen në rezultatet e disa grupeve të ndryshme që publikojnë mesataret dhe tendencat e temperaturës globale.

Një ekip i udhëhequr nga Étienne Plésiat i Qendrës Gjermane të Kompjuterëve Klimatike në Hamburg, duke përfshirë kolegë nga Britania e Madhe dhe Spanja, i panë temperaturat ekstreme si një zonë të pjekur për aplikimin e teknikave të rrjetit nervor të AI.

Ata u fokusuan në Evropë, e cila ka një numër veçanërisht të dendur stacionesh moti që shkojnë më tej në kohë se kudo në botë. (Për shembull, të dhënat mujore të temperaturës së Hadley Central England fillojnë në vitin 1659, rekordi më i vjetër në botë.) Duke përdorur AI, grupi rindërtoi vëzhgimet e ekstremeve klimatike evropiane, ditë jashtëzakonisht të ngrohta dhe të ftohta dhe netë jashtëzakonisht të ngrohta dhe të ftohta.

Për shkak të densitetit të lartë të stacioneve të temperaturës evropiane, metodat tradicionale statistikore si Kriging, peshimi me distancë të kundërt dhe peshimi në distancë këndore performojnë mirë në parashikimin e vlerave të temperaturës për çdo vend që nuk ka një termometër, por ka stacione fqinje afër, por ato performojnë dobët kur të dhënat në afërsi është i pakët.

Të gjitha janë metoda për të përdorur vlerat e matura së bashku me distancën nga pika e interesit në një stacion moti fqinj për të parashikuar temperaturën në vendndodhjen e interesit, ndryshimi kryesor është se si distancat (ose këndet) peshohen në llogaritje.

Në vitet e fundit, metodat e AI kanë tejkaluar këto mënyra tradicionale të plotësimit për të ndërtuar informacionin e munguar të klimës dhe për të matur pasiguritë.

Modelet e AI të përdorura nga Plésiat dhe kolegët u trajnuan dhe u krahasuan me simulimet historike me Modelet e Sistemit të Tokës nga arkivi CMIP6 (Projekti i Ndërkrahasimit të Modeleve të Çiftuara, një bashkëpunim global i modeleve klimatike që bashkojnë atmosferën dhe oqeanet që llogaritin klimën e kaluar, klimën aktuale dhe të ardhmen klima).

Rezultatet e inteligjencës artificiale të tyre vlerësohen duke krahasuar me simulime të tilla të rianalizës, duke përdorur metoda të pranuara si gabimi mesatar katror i rrënjës, koeficienti i korrelacionit të rendit të rendit të Spearman-it, i cili tregon sasinë e lidhjes midis një ndryshoreje të pavarur dhe një ndryshoreje të varur (përgjithëson të mirënjohurën Koeficienti Pearson R, por duke përfshirë varësitë jolineare) dhe më shumë.

Studiuesit zbuluan se teknika e tyre e të mësuarit të thellë, të cilën ata e quajnë CRAI (UA e Rindërtimit të Klimës), ia kalonte disa metodave të interpolimit si ato të përshkruara më lart për llogaritjen e ditëve të ngrohta (përqindja e ditëve kur temperatura maksimale ditore ishte më e madhe se përqindja e 90-të), ditët e ftohta (përqindja e ditëve kur temperatura maksimale ditore ishte më e vogël se përqindja e 10-të) dhe në mënyrë të ngjashme për netët e ngrohta dhe netët e ftohta.

Ata më pas e aplikuan atë në rindërtimin e të gjitha fushave në grupin e të dhënave HadEX3 në domenin evropian HadEX3 përbëhet nga mbi 80 indekse të temperaturës ekstreme dhe reshjeve në një sipërfaqe të grimcuar të Tokës nga viti 1901 deri në 2018.

Edhe këtu, teknika e tyre tregoi një aftësi për të rindërtuar ngjarjet ekstreme të së kaluarës dhe për të zbuluar tendencat hapësinore përgjatë intervaleve kohore që nuk mbulohen nga të ashtuquajturat "bashkësi të dhënash të rianalizës". (Ri-analiza e klimës plotëson boshllëqet në bazat e të dhënave vëzhguese duke përdorur një model klimatik së bashku me vëzhgimet e disponueshme.)

Për më tepër, CRAI i tyre zbuloi ekstreme evropiane të panjohura më parë - për shembull, periudha të ftohta si ajo e vitit 1929 dhe valë të nxehtit, duke përfshirë një dukuri të vitit 1911. Për shkak të të dhënave të rralla, ekstreme të tilla u lanë të kuptohet vetëm në mënyrë anekdotike.

"Hulumtimi ynë demonstron domosdoshmërinë dhe përfitimet e mundshme të aplikimit të kësaj qasjeje në shkallë globale ose rajone të tjera me të dhëna të pakta," përfundon ekipi në punimin e tyre.

"Në të vërtetë, ne zbulojmë se rindërtimi ynë i bazuar në AI tregon saktësi më të madhe mbi metodat tradicionale statistikore, veçanërisht në rajonet me mungesë të theksuar të të dhënave", duke shtuar se trajnimi i modeleve të tilla CRAI duhet të rrisë saktësinë kur shfrytëzohen sasi më të mëdha informacioni.

"Kjo punë nënvizon potencialin transformues të AI për të përmirësuar të kuptuarit tonë për ekstremet klimatike dhe ndryshimet e tyre afatgjata."

/Motilokal.com