Den globala uppvärmningen fortsätter i en alarmerande takt och innebär helt nya utmaningar för samhället som kräver omedelbara, vetenskapligt grundade, åtgärder för att mildra effekterna och anpassa sig till dem. Jordsystemmodeller (Earth System Models, ESM) är viktiga verktyg för att prognostisera klimatförändringar och ger viktig information till beslutsfattare. Förtroendet för de förutsagda klimatförändringarna undergrävs dock av ett antal osäkerhetsfaktorer;
- modellerna är oense om hur mycket jorden kommer att värmas upp vid en given ökning av koldioxidhalten i atmosfären;
- modellerna är oense om hur mycket utsläppt CO2 som stannar kvar i atmosfären för att värma upp planeten och
- modellerna är oense om hur mycket överskottsvärme i jordsystemet som kommer in i havets inre, vilket då fördröjer uppvärmningen av ytan.
Centralt för dessa osäkerheter är dålig förståelse och bristfälliga modeller av återkopplingsmekanismer till jordsystemet, särskilt gällande moln, kolcykeln och havens värmeupptagning. Dålig representation av dessa fenomen försämrar noggrannheten i projektioner, vilket får konsekvenser för att förutse framtida klimatextremer och samhällseffekter.
Det här forskningsprojektet syftar därför till att förbättra representationen av dessa återkopplingar i modellerna, vilket minskar osäkerheten i prognoserna för den globala uppvärmningen. Projektet föreslår ett tvärvetenskapligt tillvägagångssätt, fokuserat på att "lära sig" hur man korrekt beskriver processer som ligger till grund för dessa återkopplingar, genom en sammanslagning av observationer med avancerad maskininlärning (ML) och artificiell intelligens (AI).
Projektmål
Det övergripande målet med AI4PEX är att leverera ökad kunskap om jordsystemet genom att integrera jordobservationer (EO), AI och ML i modellering och analys av jordsystemet på ett nytt sätt. För att bana väg för mer tillförlitliga klimatprognoser på global och regional skala.
AI4PEX syftar till att öka vår kollektiva förståelse genom att förbättra representationen av processer i alla domäner - atmosfär, hav och land - som ligger till grund för de största osäkerheterna i återkopplingar från jordsystemet på så sätt stödja utvecklingen av robusta strategier för klimatbegränsning och anpassning från att visa flera årtionden till längre tidsskalor. AI4PEX kommer att utveckla innovativa tekniker, strategier för integrering av modelldata och datadrivna modeller för att på ett korrekt och effektivt sätt bedöma och studera återkopplingar och extremer i jordsystemet. AI4PEX kommer att ta itu med denna utmaning genom att upprätta en sammankoppling mellan toppmoderna jordsystemmodeller och EO via AI och ML, och utnyttja potentialen i ”big data science” och avancerade högpresterande beräkningsinfrastrukturer.
AI4PEX kommer att följa en strategi för att uppnå detta mål genom följande mål:
- Förbättrad representation av processer. Förbättra förståelsen och representationen av nyckelprocesser som ligger till grund för de mest osäkra återkopplingarna i jordsystemet genom att maximera användningen av observationsdata via AI-förstärkt fysiskt medveten modellutveckling.
- Bedömning av framtida risker för extrema väderförhållanden. Beräkna framtida förändringar i extrema klimatförhållanden och därmed sammanhängande risker baserat på de mest aktuella prognoserna och ML-baserade metoder, med stöd av en bättre förståelse av sambanden mellan klimatvariationer och extrema klimatförhållanden samt deras inverkan på land och kustvatten.
- Leverera verktyg för samhällets motståndskraft mot klimatförändringarna. Utveckla robusta, smidiga, snabba och utbytbara arbetsflöden för integrering av jordobservationer och ML i vetenskap, modellering och analys av jordsystemet. Vilket också inkluderar stöd för kapacitetsuppbyggnad, överförbarhet samt tydlig och engagerande spridning av ny kunskap till samhället.
SMHIs roll
SMHI är partner i projektet. Ramon Fuentes Franco är projektledare för SMHI.
Projektpartner
Det finns 19 projektpartners i Europa och Max Planck Society är projektsamordnare.
Finansiering
AI4PEX har fått finansiering från Europeiska unionens forsknings- och innovationsprogram Horizon Europe.
Tidslinje
Projektet inleds i januari 2024 och avslutas i mars 2028.