Aerosolien suoran säteilyvaikutuksen epävarmuuden lähteiden arviointi AeroCom-aerosolimalleille koneoppimisen avulla

Thumbnail Image

Files

Laakso_Atte_2025.pdf (6.17 MB)

URL

Journal Title

Journal ISSN

Volume Title

Perustieteiden korkeakoulu | Bachelor's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.

Authors

Date

2025-09-12

Department

Major/Subject

Teknillinen fysiikka

Mcode

SCI3028

Degree programme

Teknistieteellinen kandidaattiohjelma

Language

fi

Pages

38

Series

Abstract

Aerosolit aiheuttavat huomattavaa epävarmuutta keskeisten ilmastonmuutosta kuvaavien suureiden arvioinnissa. Epävarmuuden taustalla olevien prosessien tunnistaminen on todettu tärkeäksi, mutta myös haastavaksi. Työn tavoitteena on edistää aerosoleista johtuvan epävarmuuden pienentämistä kehittämällä uudenlainen koneoppimista hyödyntävä analyysityökalu epävarmuuden lähteiden arviointiin. Työkalua sovelletaan tapausesimerkkinä aerosolien suoraan säteilyvaikutukseen (engl. aerosol direct radiative effect, 𝐴𝐷𝑅𝐸) AeroCom-aerosolimalleille. Analyysityökalulla on mahdollista vaihtaa keskenään parametrejä mistä tahansa AeroCom-mallista yhteen yhtenäiseen laskentarutiiniin. Rutiinissa lasketaan annettuja parametrejä vastaava 𝐴𝐷𝑅𝐸 analyyttisesti. Vertailuarvo 𝐴𝐷𝑅𝐸:lle lasketaan erikseen ECHAM6.3-SALSA2.0-mallin aineistojen avulla. Parametrien muutoksen aiheuttama ero 𝐴𝐷𝑅𝐸:ssa asetetaan vastemuuttujaksi analyysityökalun koneoppimismalleille. Koneoppimismallien ominaisuuksina käytetään muutoksen aiheuttaneita parametrejä. Koneoppimismallien ominaisuuksien tärkeysanalyysin avulla voidaan arvioida, mitkä parametrit vaikuttavat eniten aerosolimallien väliseen vaihteluun. Työn tulosten perusteella analyysityökalu toimii tehtävässään. Koneoppimismallit olivat yksimielisiä eniten aerosolimallien välistä epävarmuutta aiheuttavista ominaisuuksista. Kolmeksi globaalisti eniten 𝐴𝐷𝑅𝐸:n epävarmuuteen vaikuttavaksi ominaisuudeksi todettiin aerosolien massasekoitussuhde, pilvipeite sekä suhteellinen kosteus. Lisäksi maantieteellisellä sijainnilla todettiin olevan huomattavaa merkitystä. Parhaiten tehtävästä suoriutui jokaiselle koordinaatille erikseen kehitetty gradient boosting -malli, jonka globaali keskiarvo selitysasteelle oli 0,9433 ja jäännösvirhehajonnalle 0,5107 W/m2 . On kuitenkin huomioitava, että 𝐴𝐷𝑅𝐸:n epävarmuuden lähteisiin liittyvät tulokset ovat suuntaa antavia, sillä ominaisuuksien perusteellinen analysointi ei ollut mahdollista saatavilla olevan aineiston rajallisuuden takia. Siksi tulosten verifioimiseksi olisi hyödyllistä lisätä aineistoa sekä temporaalisesti, että uusien ominaisuuksien osalta. Tulokset kuitenkin rohkaisevat tämänkaltaisen analyysityökalun soveltamiseen myös ilmastotutkimuksen ulkopuolella.

Description

Supervisor

Martikainen, Jani-Petri

Thesis advisor

Kokkola, Harri

Keywords

aerosolit, koneoppiminen, suora säteilyvaikutus, ilmastomallien epävarmuus

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202510288589

Collections

[kand] Perustieteiden korkeakoulu / SCI