Nachricht

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Geschrieben von |. Ma Xuewei

Herausgeber |. Cooper

Vorwort

Daten der Weltorganisation für Meteorologie (WMO) zeigen, dass es in den letzten 50 Jahren jeden Tag zu einer durchschnittlichen Wetter-, Klima- oder Überschwemmungskatastrophe kamJede Katastrophe verursacht durchschnittlich etwa 115 Todesopfer und wirtschaftliche Verluste von etwa 202 Millionen US-Dollar.。

Noch beklagenswerter ist, dass der durch menschliche Aktivitäten beschleunigte Klimawandel in den letzten Jahren dazu geführt hat, dass extreme Wetter- und Klimakatastrophen wie Hitzewellen, Kältewellen, Starkniederschläge und Dürren häufiger auftreten.

daher,Pünktlich und genauFortschrittliche Wettervorhersage und Klimamodellierung können nicht nur dazu beitragen, jedes Jahr Zehntausende Leben zu retten, sondern auch die katastrophalen Auswirkungen extremer Wetter- und Klimaereignisse auf die menschliche Gesellschaft und Ökosysteme verringern.

Jetzt,NeuralGCM, ein Modell der künstlichen Intelligenz (KI), das vom Google Research-Forschungsteam und seinen Mitarbeitern entwickelt wurde, hebt Wettervorhersage und Klimasimulation auf ein neues Niveau——

• Die Genauigkeit der 1-15-Tage-Vorhersage von NeuralGCM ist vergleichbar mit der des Europäischen Zentrums für mittelfristige Wettervorhersagen (ECMWF), das über das weltweit fortschrittlichste traditionelle physikalische Wettervorhersagemodell verfügt;

• Was die Genauigkeit der 10-Tage-Prognose angeht, schneidet NeuralGCM genauso gut oder sogar besser ab als andere bestehende KI-Modelle;

• Nach Hinzurechnung der Meeresoberflächentemperatur stimmen die 40-Jahres-Klimavorhersageergebnisse von NeuralGCM mit dem globalen Erwärmungstrend überein, der in ECMWF-Daten gefunden wurde;

• NeuralGCM übertrifft auch bestehende Klimamodelle bei der Vorhersage von Wirbelstürmen und ihren Flugbahnen.

Erwähnenswert ist, dass NeuralGCM nicht nur hinsichtlich der Genauigkeit bestehende traditionelle numerische Wettervorhersagemodelle und andere Modelle des maschinellen Lernens (ML) erreicht oder sogar übertrifft, sondern auch in Bezug auf die Geschwindigkeit „weit vorne“ liegt;Generieren Sie 22,8 Tage atmosphärische Simulation in 30 Sekunden Rechenzeit; Und es kann um Größenordnungen mehr Berechnungen einsparen als herkömmliche Modelle.

Video |. NeuralGCM simuliert die Atmosphäre schneller als moderne physikalische Modelle und liefert dabei Vorhersagen mit vergleichbarer Genauigkeit. Dieses Video vergleicht die atmosphärischen Simulationstage, die von NeuralGCM und zwei physikalischen Modellen, NOAA X-SHiELD und NCAR CAM6, innerhalb einer Berechnungszeit von 30 Sekunden generiert wurden. Unter anderem ist NOAA X-SHiELD ein physikalisches Modell mit hoher Auflösung (0,03°), das auf einem Supercomputer ausgeführt werden muss; NCAR CAM6 ist ein rein atmosphärisches Physikmodell mit niedrigerer Auflösung, das geringe Rechenkosten erfordert unter Wissenschaftlern häufiger verwendete Wahl. Obwohl NeuralGCM mit einer niedrigeren Auflösung (1,4°) arbeitet, ist seine Genauigkeit vergleichbar mit Modellen mit höherer Auflösung. (Quelle: Google Research)

Die entsprechende Forschungsarbeit trägt den Titel „Neuronale allgemeine Zirkulationsmodelle für Wetter und Klima“ und wurde in der renommierten Fachzeitschrift Nature veröffentlicht.

Zusammengenommen zeigen diese Ergebnisse, dass NeuralGCM deterministische Ensemblevorhersagen für Wetter, Wetter und Klima erstellen kann und eine ausreichende Stabilität für langfristige Wetter- und Klimasimulationen aufweist.

Das Forschungsteam ist davon überzeugt, dass dieses durchgängige Deep Learning mit den Aufgaben traditioneller allgemeiner Zirkulationsmodelle (GCMs, die die physikalischen Prozesse der Atmosphäre, der Ozeane und des Landes darstellen und die Grundlage für Wetter- und Klimavorhersagen bilden) kompatibel ist. und kann das Verständnis und groß angelegte physikalische Simulationen verbessern, die für die Vorhersage von Erdsystemen von entscheidender Bedeutung sind.

Darüber hinaus kann der hybride Modellierungsansatz von NeuralGCM auch auf andere wissenschaftliche Bereiche angewendet werden, beispielsweise auf die Materialentdeckung, die Proteinfaltung und das Multi-Physics-Engineering-Design.

Was ist der tatsächliche Effekt?？

Die Verringerung der Unsicherheit bei Langzeitprognosen und die Schätzung extremer Wetterereignisse sind der Schlüssel zum Verständnis von Klimaschutz und Klimaanpassung.

ML-ModellEs gilt seit jeher als alternatives Mittel zur Wettervorhersage mit dem Vorteil, Rechenleistung einzusparen, und hat im Hinblick auf die deterministische Wettervorhersage sogar das Niveau atmosphärischer Zirkulationsmodelle erreicht oder übertroffen.Die Leistung bei Langzeitprognosen ist häufig schlechter als bei allgemeinen Zirkulationsmodellen。

In dieser Arbeit kombinierte das Forschungsteam maschinelles Lernen und physikalische Methoden, um NeuralGCM zu entwerfen, wobei ML-Komponenten verwendet wurden, um das traditionelle physikalische Parametrisierungsschema in GCM zu ersetzen oder zu korrigieren, das aus den folgenden Schlüsselteilen besteht:

• Differenzierbarer Leistungskern : Dieser Kern ist für die Lösung diskretisierter dynamischer Gleichungen und die Simulation großräumiger Flüssigkeitsbewegungen und thermodynamischer Prozesse verantwortlich, die durch Schwerkraft, Corioliskraft und andere Faktoren beeinflusst werden. Der dynamische Kern verwendet horizontale pseudospektrale Diskretisierung und vertikale Sigma-Koordinaten und wird mithilfe der JAX-Bibliothek implementiert, um die automatische Differenzierung zu unterstützen. Es simuliert sieben Vorhersagevariablen: horizontale Windwirbelstärke, horizontale Winddivergenz, Temperatur, Oberflächendruck und drei Wasserarten (spezifische Luftfeuchtigkeit, Wassergehalt der Eiswolke und Wassergehalt der flüssigen Wolke).

• Studienmodul Physik : Dieses Modul verwendet den Ein-Säulen-Ansatz in GCM und verwendet nur Informationen aus einer einzelnen atmosphärischen Säule, um die Auswirkungen ungelöster Prozesse innerhalb dieser Säule vorherzusagen. Es nutzt ein vollständig verbundenes neuronales Netzwerk mit Restverbindungen und teilt die Gewichte auf alle atmosphärischen Säulen auf. Zu den Eingaben in das neuronale Netzwerk gehören Prognosevariablen in der atmosphärischen Säule, die gesamte einfallende Sonnenstrahlung, die Meereiskonzentration und die Meeresoberflächentemperatur sowie horizontale Gradienten der Prognosevariablen. Die Ausgabe des neuronalen Netzwerks ist der prognostizierte Variablentrend, skaliert durch die bedingungslose Standardabweichung des Zielfelds.

• Encoder und Decoder : Da ERA5-Daten in Druckkoordinaten gespeichert werden, während der Leistungskern das Sigma-Koordinatensystem verwendet, sind für die Konvertierung Encoder und Decoder erforderlich. Diese Komponenten führen eine lineare Interpolation zwischen Druckniveaus und Sigma-Koordinatenniveaus durch und werden mithilfe derselben neuronalen Netzwerkarchitektur wie das erlernte Physikmodul korrigiert. Der Encoder eliminiert die durch den Initialisierungsschock verursachten Schwerkraftwellen und vermeidet so eine Verunreinigung der Vorhersageergebnisse.

Abbildung |. NeuralGCM-Modellarchitektur. NeuralGCM kombiniert traditionelle Fluiddynamik-Löser mit neuronalen Netzen für die Physik im kleinen Maßstab. Diese Komponenten werden von einem Differentialgleichungslöser zusammengesetzt, der das System zeitlich sequentiell vorwärts bewegt. (Quelle: Google Research)

Die Ergebnisse zeigen, dass NeuralGCM starke Fähigkeiten bei der Wettervorhersage aufweist und mit modernsten Modellen auf ultrakurzfristigen, kurzfristigen und mittelfristigen Zeitskalen konkurriert. wie folgt:

Sehr kurzfristige Prognose (0-1 Tag)

• Generalisierungsfähigkeit: Im Vergleich zu GraphCast schneidet NeuralGCM unter untrainierten Wetterbedingungen besser ab, da es lokale neuronale Netze verwendet, um physikalische Prozesse in der vertikalen Säule der Atmosphäre vorherzusagen.

Kurzfristige Prognose (1-10 Tage)

• Genauigkeit: NeuralGCM-0,7° und GraphCast schneiden am besten bei kurzfristigen Vorhersagen von 1–3 Tagen ab und verfolgen Änderungen im Wettermuster genau.

• Physikalische Konsistenz: Im Vergleich zu anderen maschinellen Lernmodellen sind die Vorhersagen von NeuralGCM klarer und vermeiden physikalisch inkonsistente und mehrdeutige Vorhersagen.

• Interpretierbarkeit: Durch die Diagnose von Niederschlag minus Verdunstung sind die Ergebnisse von NeuralGCM besser interpretierbar und erleichtern die Analyse der Wasserressourcen.

• Geostrophische Windbalance: NeuralGCM simuliert die vertikale Struktur von geostrophischen und geostrophischen Winden und deren Verhältnisse genauer als GraphCast.

Mittelfristige Prognose (7-15 Tage)

• Ensemble-Vorhersage: Die mittleren RMSE-, RMSB- und CRPS-Fehler des Ensembles von NeuralGCM-ENS bei einer Auflösung von 1,4° sind alle niedriger als die von ECMWF-ENS, was darauf hindeutet, dass der mögliche mittlere Wetterzustand besser erfasst werden kann.

• Kalibrierbarkeit: Die Ensemble-Vorhersagen von NeuralGCM-ENS haben wie ECMWF-ENS ein Divergenz-Fähigkeits-Verhältnis von etwa 1, was eine notwendige Voraussetzung für die Kalibrierung von Vorhersagen ist.

Darüber hinaus hat NeuralGCM neben seiner hervorragenden Leistung bei der Wettervorhersage auch starke Fähigkeiten in der Klimasimulation unter Beweis gestellt, beispielsweise bei der Simulation saisonaler Zyklen, der Simulation tropischer Wirbelstürme und der Simulation historischer Temperaturtrends. wie folgt:

Saisonale Zyklussimulation

• Genauigkeit: NeuralGCM ist in der Lage, saisonale Zyklen, einschließlich jährlicher Zyklen des globalen Niederschlagswassers und der gesamten globalen kinetischen Energie, sowie wichtige atmosphärische Dynamiken wie die Hadley-Zelle und den meridionalen Mittelwind genau zu simulieren.

• Vergleich mit globalen wolkenaufgelösten Modellen: NeuralGCM weist geringere Abweichungen bei Niederschlagswasser und geringere Temperaturabweichungen in den Tropen auf als das globale wolkenaufgelöste Modell X-SHiELD.

Tropische Wirbelsturmsimulation

• Spuren und Zahlen: Selbst bei einer groben Auflösung von 1,4° erzeugt NeuralGCM Spuren und Zahlen tropischer Wirbelstürme ähnlich wie ERA5, während das globale wolkenauflösende Modell X-SHiELD die Anzahl tropischer Wirbelstürme bei einer Auflösung von 1,4° unterschätzt.

Video｜NeuralGCM prognostiziert den Verlauf globaler tropischer Wirbelstürme im Jahr 2020. Die Prognoseergebnisse stimmen mit der tatsächlichen Anzahl und Intensität der Wirbelstürme für dieses Jahr überein, wie aus dem Datensatz ECMWF Reanalysis Version 5 (ERA5) hervorgeht. (Quelle: Google Research)

Simulation historischer Temperaturtrends

• AMIP-Simulationen: NeuralGCM-2.8° führte 40 Jahre lang AMIP-Simulationen durch und zeigte, dass alle Simulationen die in den ERA5-Daten beobachteten globalen Erwärmungstrends genau erfassten und dass die zwischenjährlichen Temperaturtrends stark mit den ERA5-Daten korrelierten, was darauf hindeutet, dass NeuralGCM die Auswirkungen effektiv simulieren kann des Einflusses von SST auf das Klima.

• Vergleich mit dem CMIP6-Modell: NeuralGCM-2.8° weist im Zeitraum 1981–2014 eine geringere Temperaturabweichung auf als das CMIP6-AMIP-Modell, ein Ergebnis, das auch nach Entfernung der globalen Temperaturabweichung aus dem CMIP6-AMIP-Modell gilt.

Abbildung |. Genauigkeit und Fähigkeit von NeuralGCM, die globale Erwärmung auf dekadischen Zeitskalen zu erfassen. Vergleich der Leistung von NeuralGCM und AMIP bei der Vorhersage der globalen Durchschnittstemperatur von 1980 bis 2020. (Quelle: Google Research)

Obwohl NeuralGCM starke Fähigkeiten bei der Wetter- und Klimavorhersage gezeigt hat, ist esEs gibt noch einige Einschränkungen。

Erste,NeuralGCM ist nur begrenzt in der Lage, das zukünftige Klima vorherzusagen . NeuralGCM ist derzeit nicht in der Lage, zukünftige Klimazonen vorherzusagen, die sich erheblich von historischen Klimazonen unterscheiden. Wenn die Meeresoberflächentemperatur (SST) um einen großen Betrag ansteigt (z. B. +4 K), entspricht die Reaktion von NeuralGCM nicht den Erwartungen und es kommt zu einer Klimadrift.

Zweitens,NeuralGCM ist nicht in der Lage, unbeobachtetes Klima zu simulieren . Ähnlich wie andere Klimamodelle für maschinelles Lernen steht auch NeuralGCM vor der Herausforderung, unbeobachtetes Klima zu simulieren, beispielsweise zukünftiges Klima oder Klima, das sich stark von historischen Daten unterscheidet. Dies erfordert Modelle mit stärkeren Generalisierungsfähigkeiten und fortgeschritteneren Trainingsstrategien, wie z. B. kontradiktorisches Training oder Meta-Learning.

Dann,NeuralGCM weist außerdem physikalische Einschränkungen und Probleme mit der numerischen Stabilität auf . Beispielsweise ist die spektrale Verteilung von NeuralGCM immer noch unklarer als die physikalische Vorhersage des ECMWF, und bei der Simulation tropischer Extremereignisse kommt es zu einer Unterschätzung. Dies erfordert weitere Forschung und Verbesserung der physikalischen Prozessparametrisierung und der numerischen Methoden des Modells, um die physikalische Konsistenz und numerische Stabilität des Modells zu verbessern.

zu guter Letzt,Fehlende Kopplung zu anderen Erdsystemkomponenten . Derzeit simuliert NeuralGCM nur das atmosphärische System, während das Klimasystem ein komplexes interagierendes System ist, das Ozeane, Land, Eis und Schnee sowie die Biosphäre umfasst. Um umfassendere Klimasimulationen durchführen zu können, muss NeuralGCM mit diesen Komponenten gekoppelt werden und die Wechselwirkungen zwischen ihnen berücksichtigen. Dies erfordert die Entwicklung neuer Modellarchitekturen und Trainingsstrategien, um gekoppelte Multiphysik-Simulationen zu ermöglichen.

Traditionelle Wettervorhersagen und Klimasimulationen werden durch KI untergraben

NeuralGCM ist kein „Pionier“, wenn es um Wettervorhersage und Klimasimulation geht。

In den letzten Jahren haben Technologieunternehmen und Universitäten, darunter Huawei, Google und die Tsinghua-Universität, erhebliche Fortschritte in diese Richtung gemacht.

Im Juli 2023, entwickelt von Huawei CloudPangu-WettermodellBoarded in Nature nutzt 39 Jahre globale Reanalyse-Wetterdaten als Trainingsdaten. Seine Vorhersagegenauigkeit ist mit der des weltweit besten numerischen Wettervorhersagesystems IFS vergleichbar und bei gleicher räumlicher Auflösung mehr als 10.000 Mal schneller als das IFS-System.

Ein weiterer Artikel, der zur gleichen Zeit in Nature veröffentlicht wurde, stellte vorNowcastNet, das von einem Forschungsteam unter der Leitung von Michael Jordan, einem Professor an der University of California, Berkeley, und Wang Jianmin, einem Professor an der Tsinghua University, stammt. Dieses Modell kann physikalische Gesetze und Deep Learning kombinieren, um Niederschläge in Echtzeit vorherzusagen.

Im November 2023 brachte Google DeepMind ein auf maschinellem Lernen basierendes Wettervorhersagemodell auf den Markt –GraphCast Mit einer globalen Auflösung von 0,25° kann das Modell Hunderte von Wettervariablen für die nächsten 10 Tage in einer Minute vorhersagen, was deutlich besser ist als herkömmliche Wettervorhersagemethoden und gleichzeitig eine gute Leistung bei der Vorhersage extremer Ereignisse erbringt. Relevante Forschungsarbeiten wurden in der renommierten Fachzeitschrift Science veröffentlicht.

Im März dieses Jahres besiegte ein ebenfalls vom Google Research-Team entwickeltes KI-Modell das fortschrittlichste globale Hochwasserwarnsystem. Es nutzte 5.680 vorhandene Messgeräte für das Training und konnte den täglichen Abfluss in nicht gemessenen Wassereinzugsgebieten innerhalb eines Vorhersagezeitraums von sieben Tagen vorhersagen.

Heutzutage werden traditionelle Wettervorhersagen und Klimasimulationen durch KI untergraben. Künftig wird KI die Geschwindigkeit und Genauigkeit der Wettervorhersage weiter beschleunigen, was der gesamten Menschheit zugute kommen wird.

https://www.nature.com/articles/s41586-024-07744-y

https://www.science.org/doi/10.1126/science.adi2336

https://www.nature.com/articles/s41586-024-07145-1

https://www.nature.com/articles/s41586-023-06185-3

https://www.nature.com/articles/s41586-023-06184-4

｜Klicken Sie, um mir zu folgen und denken Sie daran, einen Stern zu setzen｜