Onderzoekers hebben een nieuwe methode ontwikkeld om klimaatgegevens op grote schaal om te zetten naar zeer gedetailleerde lokale informatie. Het model, genaamd CD-FFM, biedt een snellere en nauwkeurigere manier om extreme weersomstandigheden zoals hitte, vorst en overstromingen op kilometerniveau te analyseren.
Het nemen van beslissingen over risicobeheer bij overstromingen of extreme kou gebeurt doorgaans op lokaal niveau. Er is echter een aanzienlijk gat tussen de behoeften van beleidsmakers en de beschikbare data. Veel klimaatmodellen en reanalyses hebben een resolutie van tientallen kilometers, waardoor specifieke lokale variaties vaak onzichtbaar blijven. Volgens een recent wetenschappelijk rapport op arxiv.org kunnen bestaande generatieve 'downscalers' weliswaar detail toevoegen, maar zijn deze vaak gebonden aan een vast raster, kostbaar in gebruik en missen ze een hanteerbare waarschijnlijkheidsberekening.
De werking van CD-FFM
Om deze beperkingen aan te pakken, hebben Zhi-Song Liu, Helmi Toropainen, Ammar Kheder en Michael Boy het CD-FFM-model geïntroduceerd. Dit model maakt gebruik van likelihood functional flow matching. In tegenstelling tot traditionele methoden behandelt CD-FFM een hogeresolutieveld als een continu willekeurig veld. Dit betekent dat het model op elke gewenste locatie en resolutie kan worden bevraagd, zonder vast te zitten aan een vooraf gedefinieerd grid.
De ruimtelijke variabiliteit in het model wordt gegenereerd vanuit een ruis-prior die is afgestemd op het waargenomen spectrum. Hierdoor heeft elke observatie een exacte waarschijnlijkheid, wat de betrouwbaarheid van de voorspellingen vergroot.
Significante prestatiewinst
De effectiviteit van het model is getest door ERA5-gegevens te downscalen naar dagelijkse temperaturen met een resolutie van 1 kilometer over Fennoscandië. De resultaten, zoals beschreven in de publicatie op , tonen een aanzienlijke verbetering in nauwkeurigheid. De continuous ranked probability score daalde met 27% tot 31% ten opzichte van standaard regressiemodellen.
Bovendien presteerde CD-FFM beter dan een neurale operator die veertig keer groter was, met een verbetering van 12% tot 18% in drie verschillende testjaren. Vergeleken met een diffusiemodel van het type CorrDiff was CD-FFM niet alleen nauwkeuriger, maar ook ongeveer vijftig keer sneller in het genereren van resultaten. De onderzoekers stellen dat het model ook succesvol kan worden toegepast op neerslaggegevens, waardoor het maken van grote ensembles op kilometerniveau financieel en technisch haalbaar wordt.
Context van klimaatmonitoring
Deze technologische vooruitgang sluit aan bij de bredere doelstellingen van internationale organisaties. De wmo.int coördineert wereldwijd het onderzoek naar klimaatvariaties, extremen en trends. Het doel is om socio-economische impactstudies te ondersteunen, zodat overheden op basis van bewijslast beslissingen kunnen nemen om risico's te beheersen en zich aan te passen aan een veranderend klimaat.
Het onderscheid tussen weer en klimaat is hierbij essentieel. Zoals nationalgeographic.com uitlegt, verwijst weer naar de atmosferische condities over een korte periode, terwijl klimaat het gemiddelde van deze condities over een periode van vele jaren voor een specifieke locatie beschrijft. Factoren zoals de hoek van de zonnestralen, windstromen, oceanen en bergen bepalen de klimatologische zones, variërend van de tropen tot de poolgebieden.
Door de precisie van klimaatmodellen te verhogen via methoden als CD-FFM, wordt het mogelijk om deze globale trends veel nauwkeuriger te vertalen naar lokale effecten, wat cruciaal is voor de preventie van natuurrampen en landbouwplanning.