eXtreme hendingar: Kunstig intelligens for attkjenning og attribusjon (XAIDA)

Klimaendringar endrar og forbetrar ekstreme vêrforhold som hetebølgjer, øydeleggjande brannfellar, syklonar, flaum og tørke. Xaida-prosjektet har som mål å karakterisere, oppdage og tilskrive ekstreme hendingar ved hjelp av ei ny data-drive, slagbasert tilnærming. Det vil bruke nye AI-teknikkar og samle spesialistar i ekstrem hendingstilskriving, atmosfærisk dynamikk, klimamodellering, maskinlæring og årsakssamanheng. Håpet er at prosjektets funn vil kunne kaste lys over effekten av klimaendringar på atmosfæriske fenomenar som syklonar og konvektive stormar, som ikkje er godt forstått eller kvantifisert. Prosjektet vil òg gje verktøy for å vurdere årsaksforløpa som fører til ekstreme hendingar.

Feltet "Extreme event attribution" er nyleg utvikla for å gje representasjonar av framtidige klima i form av meiningsfulle mønster av ekstreme hendingar, som kan underbyggje framtidige prognosar på ein måte som er nyttig for tilpasning, og som ein årsakssamanheng mellom hendingar og menneskeleg påverknad på klima kan etablerast eller motbevisast. Imidlertid står studiar av ekstrem hendingsdeteksjon, attribusjon og projeksjonar for tida overfor store begrensningar. 

XAIDA-prosjektet tek sikte på å fylle desse hola. Ved hjelp av nye kunstige intelligensteknikkar og sterk tovegs interaksjon med viktige interessentar, vil den (i) karakterisere, oppdage og tilskrive ekstreme hendingar ved hjelp av ei ny datadriven, påverknadsbasert tilnærming, (ii) vurdere deira underliggande årsaksvegar og fysiske drivarar ved hjelp av årsaksnettverksmetodar, og (iii) simulere høg intensitet og hittil usette hendingar som er fysisk sannsynlege i dagens og framtidige klima.

For å oppnå dette samlar XAIDA team av spesialistar innan ekstrem hendingstilskriving, atmosfærisk dynamikk, klimamodellering, maskinlæring og årsakssamanheng, for å:

• Forstå effekten av klimaendringar på ei rekkje atmosfæriske fenomenar som for tida er dårleg forstått eller kvantifisert (syklonar, konvektive stormar, langvarige anomaliar eller sommarsamansette hendingar), både for tidlegare og framtidige utviklingar;
• Utvikle, i samdesign med eit fellesskap av viktige interessentar, ein ny, breiare og påverknadsbasert attribusjons- og projeksjonsramme som trekkjer ut årsaksvegar av ekstremar;
• Utvikle historier om hendingar av usynleg intensitet, basert på maskinlæringsmetodar;
• Gje nye verktøy for modellvurdering av årsaksforløp som fører til ekstreme hendingar og undersøke årsakene til usemjer mellom modellar og observasjonar;
• Utvikle ei samhandlings- og kommunikasjonsplattform med interessentar med ambisjon om å forbetra opplæring og utdanning om klimaendringar og konsekvensar, og å bringe denne utviklinga til framtidige operative klimatenester.