⇑ Klimatforskningens problem

Dagens forskning om klimatet begränsas av en rad problem

Gör en egen klimatprognos

1. De globala klimatmodeller har rutnät på 50-100 km. Därför måste man göra grova approximationer (s.k. parametriseringar).

2. Modellerna har svårt att förutsäga extrema händelser - värmeböljor, skyfall, tropiska cykloner - eftersom de är ovanliga och ofta sker snabbt.

3. Beräkningarna tar veckor på superdatorer för att simulera framtidsscenarier

4. Det tar tid att inkludera aktuella väderdata i modellserna

5. De globala modellerna gäller inte för mindre områden och för dem krävs egna beräkningar.

6. Osäkerheten är stor vid tröskeleffekter, t.ex. Golfströmmens kollaps, permafrostens metanavgång eller isavsmältning.

⇑ AI höjer kvaliteten

Inom alla dessa områden är utrymmet stort för forskares egna övertygelser om klimatets utveckling. Med AI minskar utrymmet för gissningar.

1. Deep learning tränad på högupplösta simuleringar kan återskapa småskaliga processer mycket snabbare och mer korrekt. Exempel: DeepMind GraphCast och NVIDIA FourCastNet hanterar molnbildning och nederbörd betydligt bättre än traditionella modeller.

2. AI kan tränas på enorma historiska dataset och upptäcka mönster som indikerar extremhändelser. AI-modeller kan ge lokala och kortare varningar för skyfall och orkaner i bättre tid. Exempel: AI-modellen från University of Miami (2025) som spårar tropiska vågor som kan utvecklas till orkaner.

3. AI-baserade modeller kan köra tusentals gånger snabbare. Gör det möjligt att generera många fler scenarier och probabilistiska analyser ("om vi minskar CO? med X%, vad händer?"). Exempel: GraphCast kan köra en 10-dagars prognos på minuter istället för timmar.

4. Maskininlärning förbättrar assimilationen av observationsdata. Gör modellerna mer "följsamma" mot verkliga mätningar. Används redan av ECMWF och SMHI i deras hybridmodeller.

5. ML kan direkt översätta globala modeller till högupplösta regionala scenarier. Ger mer detaljerade prognoser för t.ex. översvämningsrisker i en stad eller avkastning i jordbruk. SMHI:s Rossby Centre använder redan AI för detta i HCLIM-modellen.

6. AI kan analysera enorma ensemblesimuleringar och hitta "dolda signaler" för när tipping points närmar sig. Exempel: projekt inom EU:s Destination Earth använder AI för att kartlägga riskzoner i realtid.

⇑ Källor

• Forskningsprojekt skapar AI-plattform inom väder och klimat, SMHI (2025-05-06)
• GraphCast: AI model for faster and more accurate global weather forecasting, Deep mind (2023-11-14)
• GraphCast for weather forecasting, Nvidia (2025-06-11)
• WoFSCast: A GraphCast-based emulator for the Warn-on-Forecast System, NOAA (2025-01-09)
• What Is GraphCast and Why It's a Game-Changer in Meteorology, Whispering Sky, Youtube (2025-08-01)
• AI is fast-tracking climate research, Phys.org (2025-08-05)