Nieuw model voorspelt hoe extreem droogte in Europa kan worden
Een droge zomer met lege sloten en verdorde akkers: iedereen heeft er inmiddels wel beelden van gezien. Maar hoe voorspel je hoe erg zo'n droogte kan worden, voordat die begint? Een groep onderzoekers ontwikkelde een nieuwe rekenmethode die daar een realistischer antwoord op geeft dan bestaande modellen.
Droogtevoorspellingen zijn belangrijk voor boeren, drinkwaterbedrijven en natuurbeheerders. Ze gebruiken die voorspellingen om zich voor te bereiden op waterschaarste. Het probleem is dat het weer van jaar tot jaar flink kan variëren, ook zonder dat klimaatverandering daarbij een rol speelt. Deze natuurlijke schommeling heet "interne klimaatvariabiliteit": de normale, van nature aanwezige wisselingen in temperatuur en neerslag die het klimaatsysteem nu eenmaal vertoont.
Tot nu toe behandelden veel voorspellingsmodellen die natuurlijke schommeling als een soort ruis, als iets willekeurigs waar je weinig mee kunt. Maar dat klopt niet helemaal, zeggen de onderzoekers. Die schommelingen volgen wel degelijk patronen, per seizoen, per regio en in de tijd. Als je die patronen goed in kaart brengt, kun je betere voorspellingen maken.
Hoe het werkt
De onderzoekers bouwden een voorspellingsmodel met "deep learning", een vorm van kunstmatige intelligentie die zelf patronen leert herkennen in grote hoeveelheden data. Ze voegden daar iets nieuws aan toe: een "onzekerheidsbewuste ondergrens". Dat is een berekening van hoe slecht een droogte plausibel kan uitpakken, gebaseerd op een groot ensemble van klimaatmodellen. Zo'n ensemble is een verzameling van veel verschillende simulaties van hetzelfde klimaat, die laten zien welke uitkomsten allemaal mogelijk zijn.
Deze ondergrens werkt als een soort worstcasescenario dat toch fysisch realistisch is: hij laat zien hoe erg de droogte zou kunnen worden als de natuurlijke variabiliteit onvoordelig uitpakt. Voor waterbeheerders die zich willen voorbereiden op het ergste, is dat waardevolle informatie.
Beter dan alleen historische data
De onderzoekers vergeleken hun nieuwe methode met een aanpak die alleen op historische meetgegevens is gebaseerd. Hun ensemble-gebaseerde methode bleek in de meeste Europese regio's en seizoenen beter te kloppen met de werkelijkheid. Vooral tijdens ongewoon droge periodes maakte het verschil: alleen op historische data vertrouwen, leidde dan tot een te optimistisch beeld van hoe erg de droogte kon worden.
De belangrijkste conclusie van het onderzoeksteam is dat natuurlijke klimaatvariabiliteit niet als bijzaak moet worden behandeld, maar als een op zichzelf staand onderdeel van de voorspelling. Grote klimaatmodel-ensembles bieden daarvoor een praktische bron van informatie, die vervolgens in AI-modellen kan worden verwerkt.
Wat betekent dit (nog) niet: Dit is één onderzoeksteam dat een nieuwe rekenmethode test, geen voorspelling die al in de praktijk wordt gebruikt door waterbeheerders. Het model geeft een plausibele ondergrens aan, niet een exacte voorspelling van toekomstige droogtes. Ook zegt het onderzoek niets over hoe vaak extreme droogtes in de toekomst precies zullen voorkomen, alleen hoe erg ze kunnen uitpakken binnen de natuurlijke schommelingen die het klimaat al kent.
Bron: Probabilistic Deep Learning for Drought Forecasting: Role of Internal Climate Variability