berita

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Ditulis oleh |.Ma Xuewei

Penyunting |.Koper

Kata pengantar

Data dari Organisasi Meteorologi Dunia (WMO) menunjukkan bahwa selama 50 tahun terakhir, rata-rata bencana cuaca, iklim, atau banjir terjadi setiap hari, danSetiap bencana menyebabkan rata-rata sekitar 115 kematian dan kerugian ekonomi sekitar US$202 juta.。

Yang lebih menyedihkan lagi adalah bahwa dalam beberapa tahun terakhir, perubahan iklim yang dipercepat oleh aktivitas manusia telah menyebabkan cuaca ekstrem dan bencana iklim seperti gelombang panas, gelombang dingin, curah hujan lebat, dan kekeringan semakin sering terjadi.

Karena itu,Tepat waktu dan akuratPrediksi cuaca dan pemodelan iklim yang canggih tidak hanya dapat membantu menyelamatkan puluhan ribu nyawa setiap tahunnya, namun juga mengurangi dampak bencana dari peristiwa cuaca dan iklim ekstrem terhadap masyarakat manusia dan ekosistem.

Sekarang,NeuralGCM, model kecerdasan buatan (AI) yang dikembangkan oleh tim riset Google Research dan kolaboratornya, membawa prediksi cuaca dan simulasi iklim ke tingkat yang baru——

• Keakuratan perkiraan cuaca 1-15 hari NeuralGCM sebanding dengan Pusat Prakiraan Cuaca Jangka Menengah Eropa (ECMWF), yang memiliki model prakiraan cuaca fisik tradisional tercanggih di dunia;

• Untuk keakuratan perkiraan 10 hari, NeuralGCM memiliki kinerja yang sama baiknya atau bahkan lebih baik dibandingkan model AI lain yang sudah ada;

• Setelah menambahkan suhu permukaan laut, hasil prediksi iklim NeuralGCM selama 40 tahun konsisten dengan tren pemanasan global yang terdapat pada data ECMWF;

• NeuralGCM juga mengungguli model iklim yang ada dalam memprediksi siklon dan lintasannya.

Perlu disebutkan bahwa NeuralGCM tidak hanya mencapai atau bahkan melampaui model prediksi cuaca numerik tradisional dan model pembelajaran mesin (ML) lainnya dalam hal akurasi, tetapi juga "jauh di depan" dalam hal kecepatan dan dapat digunakanHasilkan simulasi atmosfer selama 22,8 hari dalam waktu perhitungan 30 detik; Dan ini dapat menghemat perhitungan lebih banyak daripada model tradisional.

Video |. NeuralGCM mensimulasikan atmosfer lebih cepat daripada model fisik tercanggih sekaligus menghasilkan prediksi dengan akurasi yang sebanding. Video ini membandingkan hari simulasi atmosfer yang dihasilkan oleh NeuralGCM dan dua model fisik, NOAA X-SHiELD dan NCAR CAM6, dalam waktu penghitungan 30 detik. Diantaranya, NOAA X-SHiELD adalah model fisik beresolusi tinggi (0,03°) yang harus dijalankan pada superkomputer; NCAR CAM6 adalah model fisika atmosfer murni beresolusi lebih rendah (1,0°) yang memerlukan biaya komputasi rendah pilihan yang lebih umum digunakan di kalangan ilmuwan. Meskipun NeuralGCM beroperasi pada resolusi yang lebih rendah (1,4°), akurasinya sebanding dengan model resolusi lebih tinggi. (Sumber: Riset Google)

Makalah penelitian yang relevan berjudul "Model sirkulasi umum saraf untuk cuaca dan iklim" dan telah diterbitkan di jurnal ilmiah resmi Nature.

Bersama-sama, hasil ini menunjukkan bahwa NeuralGCM dapat menghasilkan perkiraan cuaca, cuaca, dan iklim yang bersifat deterministik, menunjukkan stabilitas yang cukup untuk simulasi cuaca dan iklim jangka panjang.

Tim peneliti percaya bahwa pembelajaran mendalam ujung ke ujung ini kompatibel dengan tugas yang dilakukan oleh model sirkulasi umum tradisional (GCM, yang mewakili proses fisik atmosfer, lautan, dan daratan, dan merupakan dasar prediksi cuaca dan iklim) , dan dapat meningkatkan pemahaman dan simulasi fisika skala besar yang penting untuk memprediksi sistem Bumi.

Selain itu, pendekatan pemodelan hybrid NeuralGCM juga dapat diterapkan pada bidang ilmiah lainnya, seperti penemuan material, pelipatan protein, dan desain teknik multifisika.

Apa efek sebenarnya?？

Mengurangi ketidakpastian dalam perkiraan jangka panjang dan memperkirakan kejadian cuaca ekstrem adalah kunci untuk memahami mitigasi dan adaptasi iklim.

model mlIni selalu dianggap sebagai sarana alternatif prakiraan cuaca, dengan keuntungan menghemat biaya daya komputasi, dan bahkan telah mencapai atau melampaui tingkat model sirkulasi atmosfer dalam hal prakiraan cuaca deterministik.Kinerja dalam prakiraan jangka panjang sering kali lebih rendah dibandingkan model sirkulasi umum。

Dalam pekerjaan ini, tim peneliti merancang NeuralGCM dengan menggabungkan pembelajaran mesin dan metode fisik, menggunakan komponen ML untuk menggantikan atau memperbaiki skema parameterisasi fisik tradisional di GCM, yang terdiri dari bagian-bagian penting berikut:

• Inti daya yang dapat dibedakan : Inti ini bertanggung jawab untuk memecahkan persamaan dinamis terdiskritisasi dan mensimulasikan gerakan fluida skala besar dan proses termodinamika, yang dipengaruhi oleh gravitasi, gaya Coriolis, dan faktor lainnya. Inti dinamis menggunakan diskritisasi pseudospektral horizontal dan koordinat sigma vertikal, dan diimplementasikan menggunakan perpustakaan JAX untuk mendukung diferensiasi otomatis. Ini mensimulasikan tujuh variabel perkiraan: vortisitas angin horizontal, divergensi angin horizontal, suhu, tekanan permukaan, dan tiga spesies air (kelembaban spesifik, kandungan air awan es, dan kandungan air awan cair).

• Modul Studi Fisika : Modul ini menggunakan pendekatan satu kolom di GCM, hanya menggunakan informasi dari satu kolom atmosfer untuk memprediksi dampak proses yang belum terselesaikan dalam kolom tersebut. Ia menggunakan jaringan saraf yang terhubung sepenuhnya dengan koneksi sisa dan berbagi bobot di antara semua kolom atmosfer. Masukan ke jaringan saraf mencakup variabel prakiraan di kolom atmosfer, total radiasi matahari yang terjadi, konsentrasi es laut dan suhu permukaan laut, serta gradien horizontal dari variabel prakiraan. Output dari jaringan saraf adalah tren variabel perkiraan, yang diskalakan berdasarkan deviasi standar tanpa syarat dari bidang target.

• Encoder dan decoder : Karena data ERA5 disimpan dalam koordinat tekanan sedangkan inti daya menggunakan sistem koordinat sigma, encoder dan decoder diperlukan untuk konversi. Komponen-komponen ini melakukan interpolasi linier antara tingkat tekanan dan tingkat koordinat sigma dan dikoreksi menggunakan arsitektur jaringan saraf yang sama dengan modul fisika yang dipelajari. Encoder menghilangkan gelombang gravitasi yang disebabkan oleh guncangan inisialisasi, sehingga menghindari kontaminasi hasil prediksi.

Gambar |. Arsitektur model NeuralGCM. NeuralGCM menggabungkan pemecah dinamika fluida tradisional dengan jaringan saraf untuk fisika skala kecil. Komponen-komponen ini dirakit oleh pemecah persamaan diferensial yang secara berurutan memajukan sistem dalam waktu. (Sumber: Riset Google)

Hasilnya menunjukkan bahwa NeuralGCM menunjukkan kemampuan yang kuat dalam prediksi cuaca, bersaing dengan model tercanggih dalam skala waktu ultra-pendek, jangka pendek, dan jangka menengah. sebagai berikut:

Prakiraan jangka sangat pendek (0-1 hari)

• Kemampuan generalisasi: Dibandingkan dengan GraphCast, NeuralGCM berkinerja lebih baik dalam kondisi cuaca yang tidak terlatih karena menggunakan jaringan saraf lokal untuk memprediksi proses fisik di kolom vertikal atmosfer.

Prakiraan jangka pendek (1-10 hari)

• Akurasi: NeuralGCM-0,7° dan GraphCast berkinerja terbaik dalam perkiraan jangka pendek 1-3 hari, secara akurat melacak perubahan pola cuaca.

• Konsistensi fisik: Dibandingkan dengan model pembelajaran mesin lainnya, prediksi NeuralGCM lebih jelas, menghindari prediksi yang tidak konsisten dan ambigu secara fisik.

• Interpretabilitas: Dengan mendiagnosis curah hujan dikurangi penguapan, hasil NeuralGCM lebih mudah diinterpretasikan dan memfasilitasi analisis sumber daya air.

• Keseimbangan angin geostropik: NeuralGCM lebih akurat mensimulasikan struktur vertikal angin geostropik dan geostropik serta rasionya dibandingkan GraphCast.

Prakiraan jangka menengah (7-15 hari)

• Perkiraan ansambel: Rata-rata kesalahan RMSE, RMSB, dan CRPS ansambel NeuralGCM-ENS pada resolusi 1,4° semuanya lebih rendah dibandingkan ECMWF-ENS, yang menunjukkan bahwa metode ini dapat menangkap kemungkinan kondisi cuaca rata-rata dengan lebih baik.

• Kalibabilitas: Perkiraan ansambel NeuralGCM-ENS, seperti ECMWF-ENS, memiliki rasio divergensi-keterampilan sekitar 1, yang merupakan kondisi yang diperlukan untuk mengkalibrasi perkiraan.

Selain itu, selain kinerjanya yang sangat baik dalam prediksi cuaca, NeuralGCM juga telah menunjukkan kemampuan yang kuat dalam simulasi iklim, seperti simulasi siklus musiman, simulasi siklon tropis, dan simulasi tren suhu historis. sebagai berikut:

Simulasi siklus musiman

• Akurasi: NeuralGCM mampu secara akurat mensimulasikan siklus musiman, termasuk siklus tahunan air yang dapat diendapkan secara global dan total energi kinetik global, serta dinamika atmosfer utama seperti sel Hadley dan angin rata-rata meridional.

• Perbandingan dengan model cloud-resolved global: NeuralGCM memiliki bias yang lebih kecil pada air yang dapat diendapkan dan bias suhu yang lebih rendah di daerah tropis dibandingkan model global cloud-resolved X-SHiELD.

Simulasi Siklon Tropis

• Jejak dan angka: Bahkan pada resolusi kasar 1,4°, NeuralGCM menghasilkan jejak siklon tropis dan angka yang serupa dengan ERA5, sedangkan model penyelesaian awan global X-SHiELD meremehkan jumlah siklon tropis pada resolusi 1,4°.

Video｜NeuralGCM memperkirakan jalur siklon tropis global pada tahun 2020. Hasil prakiraan tersebut konsisten dengan jumlah dan intensitas siklon sebenarnya pada tahun tersebut seperti yang ditunjukkan oleh kumpulan data ECMWF Reanalisis Versi 5 (ERA5). (Sumber: Riset Google)

Simulasi tren suhu historis

• Simulasi AMIP: NeuralGCM-2.8° melakukan simulasi AMIP selama 40 tahun dan menunjukkan bahwa semua simulasi secara akurat menangkap tren pemanasan global yang diamati dalam data ERA5 dan bahwa tren suhu antar-tahunan berkorelasi kuat dengan data ERA5, yang menunjukkan bahwa NeuralGCM dapat secara efektif mensimulasikan dampaknya. pemaksaan SPL terhadap iklim.

• Perbandingan dengan model CMIP6: NeuralGCM-2.8° memiliki bias suhu yang lebih kecil selama tahun 1981-2014 dibandingkan model CMIP6 AMIP, hasil yang tetap bertahan bahkan setelah bias suhu global dihilangkan dari model CMIP6 AMIP.

Gambar |. Akurasi dan kemampuan NeuralGCM untuk menangkap pemanasan global dalam skala waktu puluhan tahun. Perbandingan performa NeuralGCM dan AMIP dalam memprediksi suhu rata-rata global dari tahun 1980 hingga 2020. (Sumber: Riset Google)

Meskipun NeuralGCM telah menunjukkan kemampuan yang kuat dalam prediksi cuaca dan iklimMasih ada beberapa keterbatasan。

Pertama,NeuralGCM memiliki kemampuan terbatas untuk memprediksi iklim masa depan . NeuralGCM saat ini tidak dapat memprediksi iklim masa depan yang berbeda secara signifikan dari iklim sebelumnya. Ketika suhu permukaan laut (SST) meningkat dalam jumlah besar (misalnya +4K), respons NeuralGCM tidak sesuai dengan ekspektasi, dan terjadi penyimpangan iklim.

Kedua,NeuralGCM tidak memiliki kemampuan yang memadai untuk mensimulasikan iklim yang tidak teramati . Mirip dengan model iklim pembelajaran mesin lainnya, NeuralGCM juga menghadapi tantangan dalam mensimulasikan iklim yang tidak teramati, seperti iklim masa depan atau iklim yang sangat berbeda dari data historis. Hal ini memerlukan model dengan kemampuan generalisasi yang lebih kuat dan strategi pelatihan yang lebih maju, seperti pelatihan adversarial atau pembelajaran meta.

Kemudian,NeuralGCM juga memiliki kendala fisik dan masalah stabilitas numerik . Misalnya, distribusi spektral NeuralGCM masih lebih kabur dibandingkan perkiraan fisik ECMWF, dan terdapat perkiraan yang terlalu rendah dalam simulasi kejadian ekstrem tropis. Hal ini memerlukan penelitian lebih lanjut dan perbaikan parameterisasi proses fisik dan metode numerik model untuk meningkatkan konsistensi fisik dan stabilitas numerik model.

akhirnya,Kurangnya sambungan ke komponen sistem Bumi lainnya . Saat ini, NeuralGCM hanya mensimulasikan sistem atmosfer, sedangkan sistem iklim merupakan sistem interaksi yang kompleks, termasuk lautan, daratan, es dan salju, serta biosfer. Untuk melakukan simulasi iklim yang lebih komprehensif, NeuralGCM perlu digabungkan dengan komponen-komponen ini dan mempertimbangkan interaksi di antara komponen-komponen tersebut. Hal ini memerlukan pengembangan arsitektur model baru dan strategi pelatihan untuk memungkinkan simulasi multifisika berpasangan.

Prediksi cuaca tradisional dan simulasi iklim ditumbangkan oleh AI

NeuralGCM bukanlah “pelopor” dalam hal prediksi cuaca dan simulasi iklim。

Dalam beberapa tahun terakhir, perusahaan teknologi dan universitas, termasuk Huawei, Google, dan Universitas Tsinghua, telah mencapai kemajuan signifikan dalam hal ini.

Pada bulan Juli 2023, dikembangkan oleh Huawei CloudModel Pangu-CuacaDibangun di Nature, sistem ini menggunakan data cuaca analisis ulang global selama 39 tahun sebagai data pelatihan. Akurasi prediksinya sebanding dengan sistem prediksi cuaca numerik terbaik di dunia, IFS, dan 10.000 kali lebih cepat dibandingkan sistem IFS pada resolusi spasial yang sama.

Makalah lain yang diterbitkan di Nature pada saat yang sama memperkenalkanJaringan Nowcast, yang berasal dari tim peneliti yang dipimpin oleh Michael Jordan, seorang profesor di Universitas California, Berkeley, dan Wang Jianmin, seorang profesor di Universitas Tsinghua. Model ini dapat menggabungkan hukum fisika dan pembelajaran mendalam untuk memprediksi curah hujan secara real time.

Pada November 2023, Google DeepMind meluncurkan model prediksi cuaca berdasarkan pembelajaran mesin—GrafikCast , dengan resolusi global 0,25°, model ini dapat memprediksi ratusan variabel cuaca untuk 10 hari ke depan dalam satu menit, jauh lebih baik dibandingkan metode prakiraan cuaca tradisional, sekaligus berkinerja baik dalam memprediksi kejadian ekstrem. Makalah penelitian yang relevan telah diterbitkan di jurnal ilmiah resmi Science.

Pada bulan Maret tahun ini, model AI yang juga dikembangkan oleh tim Riset Google mengalahkan sistem peringatan banjir global tercanggih. Model tersebut menggunakan 5.680 alat pengukur yang ada untuk pelatihan dan dapat memprediksi limpasan harian di daerah aliran sungai yang tidak diukur dalam periode prediksi 7 hari.

Saat ini, prediksi cuaca tradisional dan simulasi iklim digantikan oleh AI. Di masa depan, AI akan semakin mempercepat kecepatan dan keakuratan prakiraan cuaca, sehingga bermanfaat bagi seluruh umat manusia.

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

｜Klik untuk mengikuti saya dan ingat untuk memberi bintang｜