Een team van onderzoekers heeft met behulp van een geavanceerd deep learning-model een droge anomalie voorspeld voor centraal China tijdens de zomer van 2026. De voorspelling, die is gebaseerd op gegevens uit de periode maart tot mei, wijst op een significante afwijking in de neerslagpatronen. Het bijzondere aan dit onderzoek is dat het model "interpreteerbaar" is, wat betekent dat de fysieke oorzaken achter de voorspelling kunnen worden getraceerd en geverifieerd.
Mechanisme van de voorspelling
Volgens een wetenschappelijk artikel op arxiv.org worden seizoensgebonden neerslagafwijkingen grotendeels bepaald door de atmosferische circulatie. Dynamische modellen kunnen deze circulatie doorgaans betrouwbaarder voorspellen dan de uiteindelijke neerslag zelf. De onderzoekers hebben daarom een deep learning-model ontwikkeld dat deze dynamische circulatievoorspellingen vertaalt naar concrete neerschattingen.
De analyse wijst uit dat opwarming in het centrale equatoriale Pacifisch gebied, die aanhoudt van de winter tot in de zomer, een cruciale rol speelt. Deze opwarming bevordert een afwijkende cyclonische circulatie boven de regio van de westelijke Noord-Pacifische Oceaan, de Zuid-Chinese Zee en Zuid-China. Dit proces veroorzaakt noordelijke winden en een divergentie van vocht, wat gezamenlijk leidt tot een onderdrukking van de regenval in centraal China.
Doorbreken van de 'black box'
Een centraal punt in het onderzoek is het gebruik van layer-wise relevance propagation (LRP). Deze methode stelt wetenschappers in staat om de beslissingen van de AI te begrijpen in plaats van blind te vertrouwen op een ondoorzichtig algoritme. Zoals beschreven door weekinpapers.com, identificeerde LRP onafhankelijk de noordelijke winden als de dominante drijfveer voor de voorspelde droogte. Om dit te bevestigen, zijn er perturbatietesten uitgevoerd; wanneer de door LRP geïdentificeerde kenmerken uit het model werden verwijderd, verdween de voorspelde droge anomalie volledig.
De verschuiving van ondoorzichtige patroonherkenning naar traceerbare klimaatdrivers is volgens stuffinsider.com van grote waarde. Het stelt operators in de landbouw, waterbeheer en energiesector in staat om de betrouwbaarheid van een voorspelling in te schatten op basis van onderliggende fysieke mechanismen, in plaats van enkel een melding van een 'black box' te ontvangen.
Economische en maatschappelijke impact
De mogelijkheid om AI-gebaseerde klimaatprojecties fysiek te interpreteren heeft brede implicaties. Volgens de analyse van aipapers.ai kunnen nauwkeurige en interpreteerbare voorspellingen sectoren zoals de verzekeringswereld en landbouw helpen om beter voor te bereiden op droogte, waardoor economische verliezen kunnen worden beperkt.
Bovendien wordt gesteld dat interpreteerbaarheid een vereiste wordt voor het beprijzen van derivaten op handelsbureaus voor grondstoffen, omdat het juridische en financiële aansprakelijkheid mogelijk maakt. Voor ontwikkelaars van klimaatmodellen betekent dit dat architecturen zonder attributielagen voor kenmerken in de toekomst als een risico kunnen worden beschouwd, waardoor uitlegbaarheid een standaardvereiste in aanbestedingen zal worden.
Het onderzoek, dat is gepubliceerd door auteurs waaronder Anran Wang en Wen Shi, biedt hiermee een kader voor bewijsgebaseerde beoordelingen van regionale klimaatprojecties, nog voordat de werkelijke observationele data beschikbaar zijn.