Tilastollisia koneoppimismenetelmiä sovellettiin tutkimuksessa uudella tavalla kolmen kuukauden pituisten lämpötilaennusteiden tekemiseksi, Ilmatieteen laitos tiedottaa.
Tulokset osoittavat, että etenkin kesä- ja syyskausien ennustettavuus Skandinavian alueella on yllättävän hyvä ja parempi kuin aiemmin on tiedetty.
Uutena tuloksena tutkimuksessa havaittiin, että kolmen kuukauden keskilämpötilaennusteteet tarkentuvat, kun koneoppimismallin lähtötietona hyödynnetään ennustesignaaleja kauempaa menneisyydestä.
– Puolen vuoden tai jopa vuoden takaiset valtamerten pintalämpötilat vaikuttavat tuleviin Euroopan säihin, toki vähemmän kuin juuri edeltävän jakson ennustesuureet, kertoo Ilmatieteen laitoksen tutkija Matti Kämäräinen tiedotteessa.
Valtamerten lämpötilat muuttuvat vuositasolla hitaasti, jolloin niiden käyttäminen tilastollisen kausiennustemallin lähtötietona on kannattavaa.
Vieläkin hitaammat, jopa vuosikymmeniä pitkät värähtelyjaksot erityisesti Pohjois-Atlantilla ovat myös tärkeitä Euroopan paikallisilmastoon vaikuttavia tekijöitä, ja näiden merkityksestä saatiin tutkimuksessa uutta tietoa.
Osoittautui, että myös näitä vuosikymmenskaalan värähtelyjä kannattaa käyttää kausiennusteiden pohjatietoina.
Yläilmakehän tuulet vaikuttavat Euroopan alueella lämpötiloihin
Lisäksi aiemmista tutkimuksista tiedetään, että stratosfäärin eli yläilmakehän tuulet pohjoisella pallonpuoliskolla vaikuttavat Euroopan alueella tulevien kuukausien lämpötiloihin. Tämä tulos vahvistettiin tutkimuksessa.
Tällä hetkellä Ilmatieteen laitoksella käytettävät Euroopan keskipitkien sääennusteiden keskuksen (ECMWF) pitkän ajan kausiennusteet tuotetaan jatkamalla sääennustemallien ajoja useita kuukausia tulevaisuuteen, ja näistä ajoista lasketaan kolmen kuukauden keskilämpötilan kaltaisia suureita kuvaamaan lähitulevaisuutta. Näissä ennusteissa on monia epävarmuuksia, minkä lisäksi niiden tuottaminen on laskennallisesti hyvin raskasta vaikka käytössä olisi supertietokoneitakin.
Vaihtoehtoinen tapa tuottaa kolmen kuukauden ennusteita ovatkin juuri tilastolliset mallit ja koneoppiminen.
– Tilastolliset mallit ovat laskennallisesti keveitä ja niiden rakentaminen, kehittäminen ja käyttäminen on joustavaa. Vähintään koneoppimismallit tuottavat uusia näkökulmia raskaiden dynaamisten mallien tulosten rinnalle, ja parhaimmillaan niiden ennusteet voivat olla huomattavastikin tarkempia ja siksi mielenkiintoisia ja hyödyllisiä, Matti Kämäräinen toteaa tiedotteessa.