eXtreme-arrangementer: Kunstig intelligens til detektion og tilskrivning (XAIDA)

Klimaændringer ændrer og øger ekstreme vejrforhold såsom hedebølger, ødelæggende naturbrande, cykloner, oversvømmelser og tørke. XAIDA-projektet har til formål at karakterisere, opdage og tilskrive ekstreme hændelser ved hjælp af en ny datadrevet, virkningsbaseret tilgang. Det vil anvende nye AI-teknikker og samle specialister inden for tilskrivning af ekstreme hændelser, atmosfærisk dynamik, klimamodellering, maskinlæring og kausal inferens. Håbet er, at projektets resultater vil være i stand til at kaste lys over effekten af klimaændringer på atmosfæriske fænomener som cykloner og konvektive storme, som ikke er godt forstået eller kvantificeret. Projektet vil også tilvejebringe værktøjer til at vurdere de årsagsveje, der fører til ekstreme hændelser.

Feltet "Tilskrivning af ekstreme begivenheder" er for nylig blevet udviklet med henblik på at give repræsentationer af fremtidige klimaer i form af meningsfulde mønstre af ekstreme begivenheder, som kan understøtte fremtidige fremskrivninger på en måde, der er nyttig for tilpasning, og for hvilke en årsagssammenhæng mellem begivenheder og menneskelig indflydelse på klimaet kan fastslås eller tilbagevises. Undersøgelser af påvisning af ekstreme hændelser, tilskrivning og fremskrivninger står imidlertid i øjeblikket over for store begrænsninger. 

XAIDA-projektet har til formål at udfylde disse huller. Ved hjælp af nye teknikker til kunstig intelligens og stærk tovejsinteraktion med centrale interessenter vil den i) karakterisere, opdage og tilskrive ekstreme hændelser ved hjælp af en ny datadrevet, virkningsbaseret tilgang, ii) vurdere deres underliggende årsagsveje og fysiske drivkræfter ved hjælp af kausale netværksmetoder og iii) simulere højintensitetshændelser og hidtil usete hændelser, der er fysisk plausible i det nuværende og fremtidige klima.

For at opnå dette samler XAIDA teams af specialister i tilskrivning af ekstreme hændelser, atmosfærisk dynamik, klimamodellering, maskinindlæring og kausal inferens for at:

• Forstå klimaændringernes indvirkning på en række forskellige atmosfæriske fænomener, der i øjeblikket er dårligt forstået eller kvantificeret (cykloner, konvektive storme, anomalier med lang levetid eller sammensatte sommerbegivenheder), både for tidligere og fremtidige udviklinger.
• i samarbejde med et fællesskab af centrale interessenter udvikle en ny, bredere og virkningsbaseret tilskrivnings- og fremskrivningsramme, der udtrækker årsagsveje af ekstremer
• Udvikle historier om begivenheder af uset intensitet baseret på maskinindlæringsmetoder
• tilvejebringe nye værktøjer til modelvurdering af årsagsveje, der fører til ekstreme hændelser, og undersøge årsagerne til uoverensstemmelser mellem modeller og observationer
• Udvikle en interaktions- og kommunikationsplatform med interessenter med en ambition om at forbedre uddannelse i klimaændringer og -virkninger og bringe denne udvikling ind i fremtidige operationelle klimatjenester.