Klimaendringene påvirker vegetasjonen. Men endringene i vegetasjonen påvirker også klimaet. For å skjønne denne sammenhengen, skal klimaforsker Frode Stordal bruke kunstig intelligens.
Det er allment kjent at klimaendringene påvirker vegetasjonen på jorda, men det er kanskje mindre kjent at endringer i vegetasjonen også påvirker klimaet, forteller professor Frode Stordal på Institutt for geofag ved Universitetet i Oslo.
Fremste på klima
Han er en av landets fremste klimaforskere og har de siste 40 årene viet livet sitt til atmosfære- og klimamodeller. Han skal nå ta i bruk kunstig intelligens for å få et enda bedre innblikk i hvordan klima og vegetasjon henger sammen.
– Det er viktig å forstå dette samspillet for å kunne beregne hvordan klimaendringene blir i fremtiden, fastslår han.
Vegetasjonen kan påvirke klimaet på mange måter. Takket være et varmere klima presser løvskogen på sørfra og truer barskogbeltet. Barskogbeltet trekker seg nordover samtidig som krattet toger innover tundraen og tregrensen kryper oppover i fjellheimen.
Hvis trenden fortsetter, er Hardangervidda dekket av skog om et par hundre år. I fjellet og i de arktiske strøkene er småbusker og kratt forløperne til trær. De fanger opp mer av sollyset enn omgivelsene. Det gjelder spesielt i snøsesongen.
Forklaringen er dobbel. Den ene er at vekstene er mørkere enn snøen. Mørke områder suger til seg mer sollys enn lyse områder. Den andre årsaken er at snøen smelter raskere der trær, busker og kratt stikker opp av snøen. Da blir enda mer av sollyset fanget opp.
– Summen av alt dette øker oppvarmingen, påpeker Stordal.
Sammenligner bilder
Ved å sammenligne satellittbilder fra de siste 40 årene kan Stordal se hvordan vegetasjonen har trukket seg nordover og at det har skjedd en forbusking, eller det som enkelte kaller en krattifisering av Arktis.
Satellittbildene ble opprinnelig ikke tatt for å sjekke vegetasjonen, men for å kartlegge konsentrasjonen av sot og andre forurensende partikler i atmosfæren. For å klare dette, målte man refleksjonen av strålingen i ulike frekvensområder. Målingene er gull verdt. Ved å tolke frekvensmålingene er det faktisk også mulig å få et bilde av hvordan vegetasjonen har endret seg.
Her er det snakk om enorme mengder data fra alle områder i hele verden, målt et par ganger om måneden de siste 40 årene. Som om dette ikke er nok, har Stordal også store mengder med andre typer historiske data, slik som hvordan temperaturene, nedbøren, hetebølgene, kuldebølgene og ekstremværet – som kraftig regn og langvarig tørke – har vært siden 1980-tallet. Alt dette påvirker vegetasjonen.
– Vi skal bruke alle disse dataene til å finne mønstrene og sammenhengen mellom klima og vegetasjon. Poenget vårt er å finne ut av hvilke klimatiske forhold som bestemmer de ulike vegetasjonstypene.
Tester i tropiske strøk
Dagens vegetasjonsmodeller er ganske enkle og er først og fremst blitt testet ut i tropiske og tempererte strøk. Poenget til Frode Stordal er å forbedre vegetasjonsmodellene for de kaldere områdene av jorda.
For å kunne tolke de store mengdene med data, skal Stordal ta i bruk maskinlæring. Maskinlæring er den datatekniske delen av kunstig intelligens. Den gjør det mulig for datamaskinen å finne sammenhenger i et datamateriale som man trolig ikke hadde funnet frem til med de tradisjonelle matematiske modellene.
Datamaskinen skal med andre ord selv finne sammenhengen mellom endringene i vegetasjon og klima.
– Med maskinlæring regner vi med å se sammenhenger som ingen har sett tidligere. Maskinlæringen vil dessuten hjelpe oss med å forstå bedre hva som driver de enkelte biologiske prosessene, forklarer Stordal.
(artikkelen fortsetter under)
Flere typer data
Et av fenomenene han ønsker å studere, er utbredelsen av lerk i Sibir. Lerk er et nåletre som mister nålene sine om vinteren.
– Lerken kan leve under svært stressende klimatiske forhold der andre trær må melde pass. Med lerken kan vi finne klimatiske terskler. Kunnskapen om disse tersklene kan brukes til å forbedre forståelsen av vegetasjonens rolle i klimasystemet.
For å lage en best mulig klimamodell, skal Frode Stordal også benytte seg av to andre typer data, den ene fra felt, den andre fra laboratoriet.
Innsamlingen av feltdata skjer i samarbeid med Naturhistorisk museum. Førsteamanuensis Anders Bryn i Geo-økologisk forskningsgruppe på museet ble i sommer intervjuet i media om landets høyestvoksende tre, ved foten av Glittertind, 1404 meter over havet, langt over den etablerte skoggrensen.
Forskerne skal nå dokumentere hva som skjer med vegetasjonen. De kan ikke nå over alt og er derfor avhengige av menigmann for å få oversikten. Alle kan være med på å registrere endringer i vegetasjonen med en app fra Den Norske Turistforening og Naturhistorisk museum som kalles «Natur i endring». Så kan forskerne dobbeltsjekke funnene.
Fytotronen i Oslo
Den andre typen data kommer fra fytotronen i Oslo. Dette laboratoriet er et avansert anlegg på Blindern der biologer dyrker planter for å teste hva som skjer med dem under ulike klimatiske forhold. Konsentrasjonen av drivhusgassen CO2 har økt.
Forskere ved UiOs Institutt for biovitenskap skal nå sjekke hva som skjer med plantene når det blir mer drivhusgass i atmosfæren. Spørsmålet deres er hvor mye denne økningen betyr for plantene.
Frode Stordal skal i første runde bruke disse resultatene fra laboratorium og felt til å dobbeltsjekke svarene fra den kunstige intelligensen og til å finjustere klimamodellene sine.
– Hele poenget vårt er å bruke maskinlæring til å finne frem til sammenhenger som vi kanskje ikke har tenkt på selv. Vi ønsker å finne svar på hvordan de mange biologiske prosessene spiller sammen i det store økologiske bildet når klimaet endrer seg, forteller Stordal.
Dette er en del av et svært forskningsprosjekt til over hundre millioner kroner fordelt på fire år. Stordal har med seg informatikere, matematikere, biologer og geologer ved Universitetet i Oslo og har også et tett samarbeid med Norsk institutt for naturforskning (NINA), Norsk institutt for bioøkonomi (NIBIO), Norsk institutt for luftforskning (NILU) og Norges vassdrags- og energidirektorat (NVE).
