Med bakgrund som ingenjör och fysiker så blev jag intresserad i klimatdebatten, då jag som så många andra, reagerade på de allt mera extrema påståendena om en kommande klimatkatastrof orsakad av mänsklig aktivitet. Detta ledde mig till att förutsättningslöst djupdyka in i data och information om vad som orsakar ändringar i klimatet, vare sig om det är naturliga eller människoskapta. Jag konstaterade att ändringar i solens elektromagnetiska aktivitet och ändringar i havsströmmar spelar en avgörande roll som klimatdrivare.
Jag hade sedan tidigare experimenterat med Artificiella Neurala Nätverk (ANN) och var väl förtrogen hur ANN fungerade. Så jag tänkte att ANN program och klimatdataanalys var något som kunde passa bra ihop. Jag började mer på hobbybasis att experimentera med att bygga ett ANN program och leta upp olika typer indata till programmet. Vad jag först började analysera var om den globala temperaturvariationen mätt från satellit kunde kopplas ihop med några av de indata jag laddat in. Då ENSO påverkar temperaturen, så satte jag ENSOs påverkan som norm, till 100%.
Därefter försökte jag att uppskatta om det fanns korrelationer mellan indata och derivatan av temperaturen.
Därvid började jag få fram intressanta resultat. Jag mätte varje indataparameters inverkan på derivatan av temperaturen relativt den påverkan som ENSO derivatan har på temperaturen.
Detta är resultaten jag då fick fram: SST 110%, ENSO 100%, LOD 68.5%, Solar wind speed 49.5%, Kp Index 27.4%, Solar wind temperature 26.3%, AMO 22.4, Ap index 13.3%, Solar wind density 9.7%.
Det visade sig att SST som är variationer av den globala havstemperaturen har den största påverkan på den globala temperaturen vilket är något som verkar logiskt. Efter ENSO kommer LOD som är små variationer i jordrotationen, vilket inte kan tyckas vara logiskt. I själva verket har det en naturlig förklaring då LOD har korrelation till ENSO. LOD signalen är med andra ord en ENSO signal. Sen kommer parametrar över solvind och Jordmagnetismen.
Skälet till att jag tog med LOD var att jag tittade på denna video https://youtu.be/IG_7zK8ODGA från ett föredrag av Dr. Vincent Courtillot där han berättar om att det finns korrelation mellan LOD och den globala temperaturen.
Dessa data och denna information föranledde mig till att ta en närmare titt på ENSO. Då ENSO och LOD har stark korrelation, så borde den korrelationen bero på någonting eller någon kraft. Närmast till hands för detta borde vara tidvattenskraften, tänkte jag. För att räkna på tidvattenskraftens gravitationspåverkan behövde jag exakta data över Månens och Solens position och avstånd. Jag hittade ett dataprogram som används av amatörastronomer där jag kunde skriva ut dessa data på en fil. Jag fick ett genombrott när jag upptäckte att jag fick bra korrelation mellan derivatan av ENSO och gravitationsförändringen under Månens Perigee.
Vad är skälet till att jag använder ett ANN program för att studera ENSO?
För att svara på detta utan att gå in i detalj över hur ett ANN program fungerar så ska jag här försöka att sätta detta i sitt sammanhang. Det finns för övrigt gott om information över ANN både på internet och i böcker.
Men först, vad finns det för metoder att studera indatas effekt på utdata?
En vanlig metod är med linjär regression, dvs. man jämför indata med utdata. Ett annat sätt är med någon form av frekvensanalys. Vanligtvis med någon variant av FFT analys.
Ett tredje sätt är genom att skapa en flödesrelaterad reglermodell. Problemet med denna metod är att en fungerande ENSO modell är alldeles för komplicerad att bygga upp och dessutom är kopplingen mellan in och utsignaler förenade med betydande tidsfördröjningar.
Vad klimatologerna använder sig av för att göra ENSO prognoser är genom någon variant av GCM modeller där man använder differentialekvationer som följer termodynamiska och flödesekvationer genom att gör massiva beräkningar i små kuber och med små tidsinkrement. De nuvarande ENSO modellernas prognosförmåga är dålig. Endast några månader. Huvudskälet till detta är att de ignorerar de underliggande drivkrafterna som är kopplat till starka tidvattenspulser och variationer i solaktiviteten.
Men hur gör man på bästa sätt en analys av ENSO som kan ge trovärdiga ENSO prognoser då ENSO är ett olinjärt system, där utdata följer indata först efter tidsfördröjning, insignalerna inte följer distinkta frekvenser, där man inte vet initialt vilka insignaler som har något samband med utsignalen, men där relationerna mellan in och ut signalerna följer stabila fysikaliska lagar?
Svaret till detta är att man använder sig av ett ANN program. ANN metodik fungerar perfekt för detta.
Lite förenklat kan man säga att ANN bygger på ett nätverk av asymptotiska överföringsfunktioner där relationerna mellan signalerna och överföringsfunktionerna styrs av viktvärden som modifieras efter hand.
Jag började ANN analysen med att först studera individuella inparametrar för att avgöra vilka inparametrar som uppvisar någon statistisk relation till ENSO. De inparametrar som inte har någon relation till ENSO exkluderas sedan från att ingå i vidare i mina ANN beräkningar för att på så sätt minska statistiskt brus. För att göra detta så använder man sig först av en tidsperiod för att träna upp nätverket. Dessutom antog jag som min hypotes att ENSO variationer till stor del orsakas av krafter utanför interna väder fluktuationer. Därför exkluderade jag parametrar som PDO, SOI och SST från att användas i mina ANN beräkningar.
Jag använder månadsbaserade data i mina beräkningar. Från nätverket får jag för varje månad ett beräknat utvärde. Genom att jämföra detta utvärde med det verkliga utvärdet får jag fram ett felvärde. Programmet räknar sedan ut variansen baserad på dessa månatliga felvärden. Genom att sedan använda en algoritm och ändra på vikterna som ingår i nätverket söker sedan programmet på iterativ väg att minska variansvärdet över felet. Programmet använder också en testperiod som använder samma viktvärden som används i träningsperioden, men som beräknar ett eget variansvärde skilt från träningsperiodens variansvärde. Om sedan både träningsperiodens och testperiodens variansvärden minskar så vet jag att inparametern som används i beräkning har en relation till ENSO.
Genom att sedan arbeta med inparametrar som har en påverkan på ENSO och optimera de ingående viktvärdena så är blir det sedan möjligt att skapa genom de asymptotiska överföringsfunktionerna en reglermässig modell med hjälp av ANN programmet och att göra detta utifrån okända fysikaliska relationer. Detta är något dom görs via ANN programmet, så att säga via bakvägen.
Men för att få detta till att fungera krävs det förståelse över hur ANN programmet fungerar och en hel del hantverksmässigt experimenterande.
Jag tror att ANN som metod är underskattad, speciellt inom reglerteknik.
