Koneoppimismenetelmillä aiempaa tarkempia sään kausiennusteita

Sään kausiennusteita voidaan käyttää säätilanteille herkkien elinkeinojen apuna. Esimerkiksi tuuli- ja aurinkovoima sekä maanviljelys voivat hyötyä tarkentuvista ennusteista. Lomasuunnitelmia tehdessä voi olla myös kiinnostavaa tietää, onko odotettavissa vaikkapa tavanomaista lämpimämpi tai kylmempi kesä.

Uutena tuloksena tutkimuksessa havaittiin, että kolmen kuukauden keskilämpötilaennusteet 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.

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.

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.

Lisätietoja:

Tutkija Matti Kämäräinen, Ilmatieteen laitos, p. 050 380 2868, matti.kamarainen@fmi.fiRyhmäpäällikkö Antti Mäkelä, Ilmatieteen laitos, p. 050 301 1988, antti.makela@fmi.fi

Kämäräinen, M., P. Uotila, A. Y. Karpechko, O. Hyvärinen, I. Lehtonen, and J. Räisänen, 2019: Statistical Learning Methods as a Basis for Skillful Seasonal Temperature Forecasts in Europe. J. Clim., 32, 5363–5379, https://doi.org/10.1175/JCLI-D-18-0765.1