Prognos av global temperaturavvikelse med additiva tvilling‑LSTM‑nätverk

Varför en varmare värld berör dig

Global uppvärmning kan låta abstrakt, men dess effekter är allt annat än det: stigande havsnivåer, hårdare värmeböljor, förändrade stormmönster och påfrestningar på mat‑ och vattenförsörjning. För att förbereda sig för vad som kommer behöver forskare inte bara ögonblicksbilder av dagens klimat, utan pålitliga uppskattningar av hur snabbt temperaturerna kommer att stiga de kommande decennierna. Den här artikeln undersöker ett nytt sätt att använda artificiell intelligens för att prognostisera hur mycket varmare planeten sannolikt blir och vad det innebär för vår nära framtid.

Från råa termometrar till storskaliga trender

I stället för att arbeta med väderrapporter från en enda stad använder forskarna ett globalt register känt som Berkeley Earths dataset för temperaturavvikelser. En ”temperaturavvikelse” är helt enkelt hur mycket varmare eller kallare en given period är jämfört med en vald historisk referensnivå. Eftersom månadsvisa avläsningar är bullriga och starkt påverkade av lokala särdrag förlitar sig teamet på femårsmedelvärden som sträcker sig över 170 år, från mitten av 1800‑talet till 2022. Att släta ut data på detta sätt minskar slumpmässiga svängningar och visar bättre den underliggande uppvärmningstrenden som speglar planetens långsiktiga respons på växthusgaser och andra påverkande faktorer.

Att lära ett neuralt nätverk att minnas klimatet

För att fånga den trenden och projicera den framåt vänder sig författarna till en typ av artificiellt neuralt nätverk kallat Long Short‑Term Memory, eller LSTM. LSTM‑nätverk är utformade för att hantera sekvenser — såsom ord i en mening eller temperaturer över tid — genom att avgöra vilka bitar av tidigare information som ska bevaras och vilka som ska glömmas. Traditionella LSTM‑ och närliggande modeller har presterat väl för kortsiktig prediktion, till exempel att gissa nästa datapunkt. Men när deras egna gissningar matas tillbaka som indata för att prognostisera många steg framåt, bygger små fel upp och den långsiktiga prognosen kan driva kraftigt ifrån verkligheten.

Splitta klimatsignaler i tvillingströmmar

Huvudnyheten i detta arbete är ett Additive Twin LSTM (AT‑LSTM). I stället för att ett enda LSTM försöker efterlikna varje svängning i klimatserien använder modellen två parallella LSTM‑grenar. Varje gren får frihet att fokusera på olika dolda drivkrafter i data — till exempel långsam uppvärmning från växthusgaser kontra snabbare upp‑och‑ner‑variationer kopplade till naturliga klimatsvängningar. Utgångarna från dessa tvillinggrenar adderas sedan och passeras genom ett slutligt ”decoder”‑nätverk som omvandlar deras kombinerade signal till en prognos för temperaturavvikelsen. Denna tvillingarkitektur stämmer inte bara överens med hur klimatforskare tänker kring flera delvis oberoende processer i jordsystemet, den utvidgar också det nyttiga omfånget för nätverkets interna signaler och hjälper det att förbli mer stabilt över långa prognoshorisonter.

Att pröva modellen

För att avgöra om AT‑LSTM verkligen förbättrar långsiktiga prognoser genomför författarna ett tvåstegsprov. Först tränar de modellen både på syntetiska benchmark‑serier — rena, datorgenererade kurvor som efterliknar olika typer av uppvärmningsbanor — och på de historiska Berkeley‑data. De jämför hur väl olika neurala nätverksdesigner reproducerar både sina träningsdata och en separat ”test”‑del av varje serie som modellerna aldrig såg under träningen. Många modeller, inklusive vissa hybrider som blandar LSTM med konvolutionella lager, ser imponerande ut enligt dessa standardmått. Men att återskapa historiska data är inte samma sak som att pålitligt skåda in i framtiden.

Bedöma modeller efter deras prognoser, inte bara passform

Det andra steget ligger närmare verklig användning. Från den sista observerade punkten i testsettet använder varje modell sin egen tidigare prognos som nästa indata och tar steg framåt 240 månader — 20 år — utan att någonsin korrigeras av verkliga data. Denna uppställning avslöjar hur snabbt felen snöar på. Över en rad arkitekturer visar AT‑LSTM i regel de minsta genomsnittliga prognosfelen och de högsta statistiska poängen när de bedöms på denna långhorisontuppgift. För just den globala temperaturavvikelserekorden är modellens typiska fel över ett simulerat 20‑års fönster omkring 0,07 grader Celsius, tydligt lägre än för många konkurrerande djupa inlärningsmetoder.

Vad prognosen säger om vår nära framtid

Med denna bättre uppförande modell genererar författarna 20‑årsprojektioner för globala temperaturavvikelser från 2022 till 2042. Genom att träna 40 versioner av AT‑LSTM för att fånga osäkerheten i hur modellen lär sig finner de att samtliga pekar mot fortsatt uppvärmning. Till 2042 klustrar prognosensemblet sig mellan cirka 1,05 °C och 1,67 °C över den historiska referensen, med ett medelvärde på 1,415 °C och en uppskattad osäkerhet på ungefär ±0,073 °C. Dessa tal ligger nära prognoser från etablerade klimatmodeller och varningar från organisationer som Intergovernmental Panel on Climate Change. I klartext: om nuvarande mönster fortsätter är det sannolikt att vi närmar oss eller korsar den ofta omtalade 1,5 °C‑tröskeln inom de närmaste decennierna, vilket understryker brådskan i att minska utsläpp av växthusgaser och vidta andra klimatlindrande åtgärder.

Citering: Keles, C., Baran, B. & Alagoz, B.B. Global temperature anomaly prediction by using additive twin LSTM networks. Sci Rep 16, 6456 (2026). https://doi.org/10.1038/s41598-026-37255-x

Nyckelord: klimatförändring, global uppvärmning, temperaturavvikelse, neuronätverk, klimatprognoser