Peneliti Stanford Pakai Machine Learning untuk Ungkap Misteri Cuaca Ekstrem

Davenport dan Diffenbaugh berfokus pada hulu DAS Mississippi dan bagian timur DAS Missouri. Wilayah yang sangat rawan banjir, yang membentang di sembilan negara bagian, telah mengalami hari-hari curah hujan ekstrem dan banjir besar menjadi lebih sering dalam beberapa dekade terakhir.

Para peneliti memulai dengan menggunakan data iklim yang tersedia secara publik untuk menghitung jumlah hari curah hujan ekstrem di wilayah tersebut dari tahun 1981 hingga 2019. Kemudian mereka melatih algoritme Machine Learning yang dirancang untuk menganalisis data grid, seperti gambar, untuk mengidentifikasi pola sirkulasi atmosfer skala besar.

"Algoritme yang kami gunakan dengan benar mengidentifikasi lebih dari 90 persen hari curah hujan ekstrem, yang lebih tinggi daripada kinerja metode statistik tradisional yang kami uji," tutur Davenport.

Algoritme yang telah dilatih juga mengungkapkan bahwa banyak faktor yang bertanggung jawab atas peningkatan curah hujan ekstrem di Midwest baru-baru ini. Selama abad ke-21, pola tekanan atmosfer yang mengarah pada curah hujan Midwest yang ekstrem menjadi lebih sering, meningkat dengan kecepatan sekitar satu hari tambahan per tahun, meskipun para peneliti mencatat bahwa perubahannya jauh lebih lemah pada tahun 1980-an. .

Namun, para peneliti menemukan bahwa ketika pola tekanan atmosfer ini benar-benar terjadi, jumlah presipitasi yang dihasilkan jelas meningkat. Akibatnya, hari-hari dengan kondisi ini lebih cenderung memiliki curah hujan ekstrem sekarang daripada di masa lalu.

Davenport dan Diffenbaugh juga menemukan bahwa peningkatan intensitas presipitasi pada hari-hari ini dikaitkan dengan aliran kelembaban atmosfer lebih tinggi dari Teluk Meksiko ke Midwest, membawa air yang diperlukan untuk hujan deras di wilayah tersebut.

Para peneliti berharap dapat memperluas pendekatan mereka untuk melihat bagaimana faktor-faktor yang berbeda ini akan mempengaruhi curah hujan ekstrem di masa depan.