nouvelles

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Écrit par |

Éditeur | Tonnelier

Préface

Les données de l'Organisation météorologique mondiale (OMM) montrent qu'au cours des 50 dernières années, une catastrophe météorologique, climatique ou liée à des inondations s'est produite chaque jour en moyenne, etChaque catastrophe provoque en moyenne environ 115 morts et des pertes économiques d'environ 202 millions de dollars.。

Ce qui est encore plus lamentable, c’est qu’au cours des dernières années, le changement climatique accéléré par les activités humaines a rendu plus fréquentes les catastrophes météorologiques et climatiques extrêmes telles que les vagues de chaleur, les vagues de froid, les fortes précipitations et les sécheresses.

donc,Opportun et précisLes prévisions météorologiques avancées et la modélisation du climat peuvent non seulement contribuer à sauver des dizaines de milliers de vies chaque année, mais également réduire l’impact catastrophique des événements météorologiques et climatiques extrêmes sur la société humaine et les écosystèmes.

maintenant,NeuralGCM, un modèle d'intelligence artificielle (IA) développé par l'équipe de recherche de Google Research et ses collaborateurs, porte les prévisions météorologiques et la simulation climatique à un nouveau niveau.——

• La précision des prévisions sur 1 à 15 jours de NeuralGCM est comparable à celle du Centre européen pour les prévisions météorologiques à moyen terme (ECMWF), qui dispose du modèle de prévision météorologique physique traditionnel le plus avancé au monde ;

• Pour la précision des prévisions sur 10 jours, NeuralGCM fonctionne aussi bien, voire mieux, que les autres modèles d'IA existants ;

• Après avoir ajouté la température de la surface de la mer, les résultats des prévisions climatiques sur 40 ans de NeuralGCM sont cohérents avec la tendance au réchauffement climatique trouvée dans les données du CEPMMT ;

• NeuralGCM surpasse également les modèles climatiques existants dans la prévision des cyclones et de leurs trajectoires.

Il convient de mentionner que NeuralGCM non seulement atteint, voire dépasse, les modèles de prévision numérique du temps existants et d'autres modèles d'apprentissage automatique (ML) en termes de précision, mais il est également « loin en avance » en termes de vitesse et peut être utilisé dans ;Générez 22,8 jours de simulation atmosphérique en 30 secondes de temps de calculEt il peut économiser des ordres de grandeur de calculs supplémentaires par rapport aux modèles traditionnels.

Vidéo | NeuralGCM simule l'atmosphère plus rapidement que les modèles physiques de pointe tout en produisant des prédictions avec une précision comparable. Cette vidéo compare les jours de simulation atmosphérique générés par NeuralGCM et deux modèles physiques, NOAA X-SHiELD et NCAR CAM6, dans un temps de calcul de 30 secondes. Parmi eux, NOAA X-SHiELD est un modèle physique à haute résolution (0,03°) qui doit être exécuté sur un superordinateur ; NCAR CAM6 est un modèle de physique atmosphérique pure à plus faible résolution (1,0°) qui nécessite de faibles coûts de calcul. choix le plus couramment utilisé parmi les scientifiques. Bien que NeuralGCM fonctionne à une résolution inférieure (1,4°), sa précision est comparable à celle des modèles à plus haute résolution. (Source : recherche Google)

Le document de recherche pertinent s'intitule « Modèles de circulation générale neuronale pour le temps et le climat » et a été publié dans la revue scientifique faisant autorité, Nature.

Ensemble, ces résultats démontrent que NeuralGCM peut générer des prévisions d'ensemble déterministes de la météo, de la météo et du climat, montrant une stabilité suffisante pour les simulations météorologiques et climatiques à long terme.

L'équipe de recherche estime que cet apprentissage profond de bout en bout est compatible avec les tâches effectuées par les modèles de circulation générale traditionnels (GCM, qui représentent les processus physiques de l'atmosphère, des océans et des terres et constituent la base des prévisions météorologiques et climatiques). , et peut améliorer la compréhension et les simulations physiques à grande échelle essentielles à la prévision des systèmes terrestres.

En outre, l’approche de modélisation hybride de NeuralGCM peut également être appliquée à d’autres domaines scientifiques, tels que la découverte de matériaux, le repliement des protéines et la conception technique multiphysique.

Quel est le véritable effet ?？

La réduction de l’incertitude dans les prévisions à long terme et l’estimation des événements météorologiques extrêmes sont essentielles à la compréhension de l’atténuation et de l’adaptation au changement climatique.

Modèle MLIl a toujours été considéré comme un moyen alternatif de prévision météorologique, avec l’avantage de réduire les coûts de puissance de calcul, et a même atteint ou dépassé le niveau des modèles de circulation atmosphérique en termes de prévision météorologique déterministe.Les performances des prévisions à long terme sont souvent inférieures à celles des modèles de circulation générale。

Dans ce travail, l'équipe de recherche a conçu NeuralGCM en combinant l'apprentissage automatique et des méthodes physiques, en utilisant des composants ML pour remplacer ou corriger le schéma de paramétrage physique traditionnel dans GCM, qui comprend les éléments clés suivants :

• Noyau de puissance différenciable : Ce noyau est chargé de résoudre des équations dynamiques discrétisées et de simuler le mouvement des fluides et les processus thermodynamiques à grande échelle, qui sont affectés par la gravité, la force de Coriolis et d'autres facteurs. Le noyau dynamique utilise la discrétisation pseudospectrale horizontale et les coordonnées sigma verticales, et est implémenté à l'aide de la bibliothèque JAX pour prendre en charge la différenciation automatique. Il simule sept variables de prévision : le tourbillon horizontal du vent, la divergence horizontale du vent, la température, la pression de surface et trois espèces d'eau (humidité spécifique, teneur en eau des nuages ​​​​de glace et teneur en eau des nuages ​​liquides).

• Module d'étude de physique : Ce module utilise l'approche à colonne unique dans GCM, en utilisant uniquement les informations d'une seule colonne atmosphérique pour prédire les effets des processus non résolus au sein de cette colonne. Il utilise un réseau neuronal entièrement connecté avec des connexions résiduelles et partage les poids entre toutes les colonnes atmosphériques. Les entrées du réseau neuronal comprennent les variables de prévision dans la colonne atmosphérique, le rayonnement solaire incident total, la concentration de glace de mer et la température de surface de la mer, ainsi que les gradients horizontaux des variables de prévision. La sortie du réseau neuronal est la tendance variable prévue, mise à l'échelle par l'écart type inconditionnel du champ cible.

• Encodeurs et décodeurs : Étant donné que les données ERA5 sont stockées dans des coordonnées de pression tandis que le noyau de puissance utilise le système de coordonnées sigma, des encodeurs et des décodeurs sont nécessaires pour la conversion. Ces composants effectuent une interpolation linéaire entre les niveaux de pression et les niveaux de coordonnées sigma et sont corrigés en utilisant la même architecture de réseau neuronal que le module de physique appris. Le codeur élimine les ondes de gravité provoquées par le choc d'initialisation, évitant ainsi de contaminer les résultats de prédiction.

Figure | Architecture du modèle NeuralGCM. NeuralGCM combine des solveurs traditionnels de dynamique des fluides avec des réseaux de neurones pour la physique à petite échelle. Ces composants sont assemblés par un solveur d’équation différentielle qui fait avancer séquentiellement le système dans le temps. (Source : recherche Google)

Les résultats montrent que NeuralGCM présente de fortes capacités en matière de prévision météorologique, rivalisant avec les modèles de pointe sur des échelles de temps à très court terme, à court terme et à moyen terme. comme suit:

Prévisions à très court terme (0-1 jour)

• Capacité de généralisation : par rapport à GraphCast, NeuralGCM fonctionne mieux dans des conditions météorologiques non entraînées, car il utilise des réseaux neuronaux locaux pour prédire les processus physiques dans la colonne verticale de l'atmosphère.

Prévisions à court terme (1-10 jours)

• Précision : NeuralGCM-0,7° et GraphCast fonctionnent mieux dans les prévisions à court terme de 1 à 3 jours, suivant avec précision les changements dans les conditions météorologiques.

• Cohérence physique : par rapport à d'autres modèles d'apprentissage automatique, les prédictions de NeuralGCM sont plus claires, évitant ainsi les prédictions physiquement incohérentes et ambiguës.

• Interprétabilité : en diagnostiquant les précipitations moins l'évaporation, les résultats de NeuralGCM sont plus interprétables et facilitent l'analyse des ressources en eau.

• Bilan des vents géostrophiques : NeuralGCM simule avec plus de précision la structure verticale des vents géostrophiques et géostrophiques et leurs rapports que GraphCast.

Prévisions à moyen terme (7-15 jours)

• Prévisions d'ensemble : les erreurs moyennes d'ensemble RMSE, RMSB et CRPS du NeuralGCM-ENS à une résolution de 1,4° sont toutes inférieures à celles de l'ECMWF-ENS, ce qui indique qu'il peut mieux capturer l'état météorologique moyen possible.

• Calibrabilité : Les prévisions d'ensemble du NeuralGCM-ENS, comme de l'ECMWF-ENS, ont un rapport divergence-compétence d'environ 1, ce qui est une condition nécessaire au calibrage des prévisions.

En outre, outre ses excellentes performances en matière de prévision météorologique, NeuralGCM a également démontré de solides capacités en matière de simulation climatique, telles que la simulation des cycles saisonniers, la simulation des cyclones tropicaux et la simulation des tendances historiques des températures. comme suit:

Simulation du cycle saisonnier

• Précision : NeuralGCM est capable de simuler avec précision les cycles saisonniers, y compris les cycles annuels de l'eau précipitable mondiale et de l'énergie cinétique mondiale totale, ainsi que les dynamiques atmosphériques clés telles que la cellule Hadley et le vent moyen méridional.

• Comparaison avec les modèles globaux résolus par les nuages : NeuralGCM présente des biais plus faibles dans les eaux précipitables et des biais de température plus faibles sous les tropiques que le modèle global résolu par les nuages ​​X-SHiELD.

Simulation de cyclones tropicaux

• Traces et chiffres : Même à une résolution grossière de 1,4°, NeuralGCM produit des traces et des nombres de cyclones tropicaux similaires à ERA5, tandis que le modèle global de résolution des nuages ​​X-SHiELD sous-estime le nombre de cyclones tropicaux à une résolution de 1,4°.

Vidéo｜NeuralGCM prédit la trajectoire des cyclones tropicaux mondiaux en 2020. Les résultats des prévisions sont cohérents avec le nombre et l'intensité réels des cyclones pour cette année-là, comme le montre l'ensemble de données de réanalyse du CEPMMT version 5 (ERA5). (Source : recherche Google)

Simulation de la tendance historique de la température

• Simulations AMIP : NeuralGCM-2,8° a mené 40 ans de simulations AMIP et a montré que toutes les simulations capturaient avec précision les tendances du réchauffement climatique observées dans les données ERA5 et que les tendances interannuelles de la température étaient fortement corrélées avec les données ERA5, indiquant que NeuralGCM peut simuler efficacement l'impact. du forçage de la SST sur le climat.

• Comparaison avec le modèle CMIP6 : NeuralGCM-2,8° a un biais de température plus faible entre 1981 et 2014 que le modèle CMIP6 AMIP, un résultat qui reste valable même après avoir supprimé le biais de température globale du modèle CMIP6 AMIP.

Figure | Précision du NeuralGCM et capacité à capturer le réchauffement climatique sur des échelles de temps décennales. Comparaison des performances de NeuralGCM et AMIP dans la prévision de la température moyenne mondiale de 1980 à 2020. (Source : recherche Google)

Bien que NeuralGCM ait démontré de solides capacités en matière de prévision météorologique et climatique, ilIl y a encore quelques limites。

d'abord,NeuralGCM a une capacité limitée à prédire le climat futur . NeuralGCM est actuellement incapable de prédire les climats futurs qui diffèrent considérablement des climats historiques. Lorsque la température de la surface de la mer (SST) augmente considérablement (par exemple +4K), la réponse de NeuralGCM n'est pas conforme aux attentes et une dérive climatique se produit.

Deuxièmement,NeuralGCM n'a pas la capacité suffisante pour simuler un climat inobservé . Semblable à d’autres modèles climatiques d’apprentissage automatique, NeuralGCM est également confronté au défi de simuler un climat non observé, tel qu’un climat futur ou un climat très différent des données historiques. Cela nécessite des modèles dotés de capacités de généralisation plus fortes et des stratégies de formation plus avancées, telles que la formation contradictoire ou le méta-apprentissage.

Alors,NeuralGCM a également des contraintes physiques et des problèmes de stabilité numérique . Par exemple, la distribution spectrale de NeuralGCM est encore plus vague que celle des prévisions physiques du CEPMMT, et la simulation des événements extrêmes tropicaux est sous-estimée. Cela nécessite des recherches supplémentaires et l'amélioration du paramétrage des processus physiques et des méthodes numériques du modèle pour améliorer la cohérence physique et la stabilité numérique du modèle.

enfin,Manque de couplage avec d'autres composants du système terrestre . À l'heure actuelle, NeuralGCM simule uniquement le système atmosphérique, tandis que le système climatique est un système complexe en interaction, comprenant les océans, la terre, la glace et la neige, ainsi que la biosphère. Pour réaliser des simulations climatiques plus complètes, NeuralGCM doit être couplé à ces composants et prendre en compte les interactions entre eux. Cela nécessite le développement de nouvelles architectures de modèles et de stratégies de formation pour permettre des simulations multiphysiques couplées.

Les prévisions météorologiques et la simulation climatique traditionnelles sont bouleversées par l’IA

NeuralGCM n’est pas un « pionnier » en matière de prévisions météorologiques et de simulation climatique。

Au cours des dernières années, des entreprises technologiques et des universités, notamment Huawei, Google et l’Université Tsinghua, ont fait des progrès significatifs dans cette direction.

En juillet 2023, développé par Huawei CloudModèle Pangu-MétéoBoarded in Nature, il utilise 39 années de données météorologiques de réanalyse globale comme données de formation. Sa précision de prévision est comparable à celle du meilleur système de prévision météorologique numérique au monde, IFS, et est plus de 10 000 fois plus rapide que le système IFS à la même résolution spatiale.

Un autre article publié dans Nature au même moment présentaitNowcastNet, qui provient d'une équipe de recherche dirigée par Michael Jordan, professeur à l'Université de Californie à Berkeley, et Wang Jianmin, professeur à l'Université Tsinghua. Ce modèle peut combiner les lois physiques et l'apprentissage profond pour prédire les précipitations en temps réel.

En novembre 2023, Google DeepMind a lancé un modèle de prévision météorologique basé sur l'apprentissage automatique——GraphCast , à une résolution globale de 0,25°, le modèle peut prédire des centaines de variables météorologiques pour les 10 prochains jours en une minute, ce qui est bien mieux que les méthodes de prévision météorologique traditionnelles, tout en étant performant dans la prévision des événements extrêmes. Des articles de recherche pertinents ont été publiés dans la revue scientifique faisant autorité Science.

En mars de cette année, un modèle d'IA également développé par l'équipe de recherche de Google a vaincu le système mondial d'alerte aux inondations le plus avancé. Il a utilisé 5 680 jauges existantes pour la formation et a pu prédire le ruissellement quotidien dans des bassins versants non jaugés sur une période de prévision de 7 jours.

Aujourd’hui, les prévisions météorologiques et la simulation climatique traditionnelles sont bouleversées par l’IA. À l’avenir, l’IA accélérera encore la rapidité et la précision des prévisions météorologiques, ce qui profitera à toute l’humanité.

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

｜Cliquez pour me suivre et n'oubliez pas de mettre en vedette｜