Varmere klima kan påvirke hva slags skydekke vi får, og skydekket kan igjen påvirke klimaet.
Lave, tunge skyer reflekterer mye sollys og kan ha en avkjølende effekt på klimaet. Mens tynne skyer høyt oppe kan fange opp varmestråling fra jorden, og føre til oppvarming.
Det er mye usikkerhet knyttet til hvordan dannelsen av skyer vil bli ved et varmere klima, og hvor mye av himmelen som blir dekket av dem.
Endringer i skydekket kan påvirke global oppvarming, som igjen påvirker viktige ressurser som for eksempel landbruk og solenergi.
Maskinlæring gjør det lettere å forutsi skydekket
Nå har forskere fra OsloMet, SimulaMet og Universitetet i Oslo utviklet et datasett. Datasettet kan bruke maskinlæring til å se sammenhenger mellom skydekke over Europa og lufttemperatur, lufttrykk, og luftfuktighet.
Dette kan gi bedre prognoser av hva som kan skje med klimaet og skydekket i framtiden.
– Så vidt vi vet, er dette det første datasettet som kan bruke maskinlæring til å forutsi skydekke, forteller professor og maskinlæringsekspert Hugo Hammer ved OsloMet.
Datasettet består av satellittobservasjoner av skydekke, i tillegg til observasjoner av lufttemperatur, lufttrykk, og luftfuktighet.
Forskerne foreslår en ny teknikk som kan knytte satellittobservasjoner, lufttemperatur, lufttrykk og luftfuktighet til bestemte geografiske områder.
En utfordring er at satellittene observerer ulike deler av jordoverflaten i ulike vinkler. Dette gjør at bildeoppløsningen varierer, og denne teknikken kompenserer for dette.
Det gjelder særlig observasjoner av skydekket mot polene som får lavere oppløsning, mens det er best oppløsing og flest observasjoner rundt ekvator.
– Vi kan si noe om hvordan ulike verdier av temperatur, trykk og luftfuktighet opptrer samtidig med visse typer skydannelse, sier professor Hugo Hammer. Foto: Sonja Balci, OsloMet
Først ute med å forutsi skyformasjoner i framtiden
Hammer ser mange spennende problemstillinger knyttet til maskinlæring og statistiske metoder i klimaforskning og værmelding.
Maskinlæring, spesielt dyp læring, har til nå vært mindre brukt i klimaforskning sammenlignet med for eksempel værvarsling.
Arbeidet med å lage Europas første datasett for å forutse skydekke stammer fra et masterprosjekt. Hugo Hammer, Michael Riegler og Trude Storelvmo veiledet masterstudent Hanna Svennevik ved Universitetet i Oslo.
– Om vi bruker en god klimamodell som utgangspunkt, kan vi bruke datasettet vårt til å forutsi graden av skydekke i framtiden.
– For eksempel, hvis en klimamodell forteller oss anslag på verdier for temperatur, lufttrykk og fuktighet i 2060, kan vi putte disse verdiene inn i en modell trent på datasettet vårt for å si noe om graden av skydekke i 2060.
Et lignende eksempel kan være at klimamodellen simulerer fram til år 2100. Da kan man ta modellering av temperatur, lufttrykk og luftfuktighet for år 2100, putte det inn i den trente modellen, og forutsi skydekke i år 2100.
– Vi kan ikke nødvendigvis si hvordan trykk og temperatur påvirker skyer, men i hvilken grad ulike verdier av dem opptrer samtidig med visse typer skydannelse.
Usikkerhet ved maskinlæring
– Vi kan da lære at det er samvariasjoner mellom temperatur, lufttrykk og luftfuktighet på den ene siden og skydekke på den andre.
Samvariasjon betyr da at visse verdier av temperatur, lufttrykk og luftfuktighet forekommer samtidig med visse typer skydekke.
– Datasettet vårt er imidlertid basert på historiske data. Hvis klimaet endrer seg i framtiden, kan også sammenhengen mellom temperatur, lufttrykk, luftfuktighet og skydekke endre seg. Dette vil kunne gjøre en maskinlæringsmodell trent på de historiske dataene mindre presis.
En svakhet med maskinlæring er nemlig at når man putter inn data som er litt annerledes enn det som ble brukt når modellen ble trent på disse dataene, blir det mer usikkert. Da blir det vanskeligere for modellen å forutse hva som kommer til å skje.
Hvis man for eksempel trener modellen med temperaturer på 16 til 30 grader, og så plutselig putter 40 grader inn i modellen, vil den fortsatt forutsi skydekket. Men den vil være mindre pålitelig, fordi vi ikke hadde noen data til å trene på hvordan skydekket oppfører seg ved 40 grader. Det vet vi ikke helt, fordi de observasjonene hadde vi ikke.
Forutsigelsene vil altså uansett være noe usikre. Samtidig kan datasettet til forskerne bidra til bedre forutsigelser, da den gir mer kunnskap om hva temperatur, luftfuktighet og lufttrykk kan ha å si.
Temperatur ser ut til å være viktigst
– Hva ser så langt ut til å være viktigst for å forutsi skydekke?
– Temperatur ser ut til å være viktigst. Og så kommer luftfuktighet på andre plass, og lufttrykk på tredje.
Temperatur er viktig av flere årsaker. For det første dannes skyer når fuktig luft avkjøles. For det andre er temperaturen avgjørende for hvor mye vanndamp luften kan inneholde. For det tredje påvirker temperaturen i forskjellige høyder i atmosfæren skydannelsen.
Skyer har også høy grad av luftfuktighet. Skydekket henger tett sammen med lufttrykk, da skyer ofte dannes i områder med lavt trykk. Forholdet mellom disse er imidlertid komplisert, og blir påvirket av en rekke faktorer.
Best å ta utgangspunkt i et begrenset område
– Hvorfor har dere begrenset dere til Europa?
– Det er veldig vanlig at man begrenser seg til ett begrenset geografisk område. Vær og klima kan være veldig forskjellig i ulike deler av verden, og det dukker opp mange problemstillinger hvis man skal gjøre det globalt. Så det er vanlig å fokusere bare på ett område, sier Hugo Hammer som anbefaler andre forskere å bruke datasettet.
Referanse
Hanna Svennevik, Steven A Hicks, Michael A. Riegler, Trude Storelvmo og Hugo L. Hammer: A dataset for predicting cloud cover over Europe . Scientific Data 11, Article number 245 2024 (nature.com).
