notícias

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Escrito por | Ma Xuewei

Editor |

Prefácio

Dados da Organização Meteorológica Mundial (OMM) mostram que, nos últimos 50 anos, ocorreu todos os dias um desastre meteorológico médio, climático ou relacionado com inundações, eCada desastre causa uma média de cerca de 115 mortes e perdas económicas de cerca de 202 milhões de dólares.。

O que é ainda mais lamentável é que, nos últimos anos, as alterações climáticas aceleradas pelas actividades humanas fizeram com que condições meteorológicas extremas e desastres climáticos, como ondas de calor, ondas de frio, fortes precipitações e secas, ocorressem com mais frequência.

portanto,Oportuno e precisoA previsão meteorológica avançada e a modelização climática podem não só ajudar a salvar dezenas de milhares de vidas todos os anos, mas também reduzir o impacto catastrófico de eventos meteorológicos e climáticos extremos na sociedade humana e nos ecossistemas.

agora,NeuralGCM, um modelo de inteligência artificial (IA) desenvolvido pela equipe de pesquisa do Google Research e seus colaboradores, leva a previsão do tempo e a simulação climática a um novo nível——

• A precisão da previsão de 1 a 15 dias do NeuralGCM é comparável à do Centro Europeu de Previsões Meteorológicas de Médio Prazo (ECMWF), que possui o modelo de previsão meteorológica física tradicional mais avançado do mundo;

• Para a precisão da previsão de 10 dias, o NeuralGCM tem um desempenho igualmente bom ou até melhor do que outros modelos de IA existentes;

• Depois de adicionar a temperatura da superfície do mar, os resultados da previsão climática de 40 anos do NeuralGCM são consistentes com a tendência de aquecimento global encontrada nos dados do ECMWF;

• O NeuralGCM também supera os modelos climáticos existentes na previsão de ciclones e suas trajetórias.

Vale ressaltar que o NeuralGCM não apenas atinge ou até excede os modelos numéricos tradicionais de previsão do tempo e outros modelos de aprendizado de máquina (ML) existentes em termos de precisão, mas também está “muito à frente” em termos de velocidade e pode ser usado em;Gere 22,8 dias de simulação atmosférica em 30 segundos de cálculo; E pode economizar muito mais cálculos do que os modelos tradicionais.

Vídeo | NeuralGCM simula a atmosfera mais rapidamente do que os modelos físicos de última geração, ao mesmo tempo que produz previsões com precisão comparável. Este vídeo compara os dias de simulação atmosférica gerados pelo NeuralGCM e dois modelos físicos, NOAA X-SHiELD e NCAR CAM6, dentro de um tempo de cálculo de 30 segundos. Entre eles, NOAA X-SHiELD é um modelo físico de alta resolução (0,03°) que deve ser executado em um supercomputador, é um modelo de física atmosférica pura de baixa resolução (1,0°) que requer baixos custos computacionais; escolha mais comumente usada entre os cientistas. Embora o NeuralGCM opere em uma resolução mais baixa (1,4°), sua precisão é comparável a modelos de resolução mais alta. (Fonte: Pesquisa Google)

O artigo de pesquisa relevante é intitulado "Modelos neurais de circulação geral para tempo e clima" e foi publicado na conceituada revista científica Nature.

Juntos, esses resultados demonstram que o NeuralGCM pode gerar previsões determinísticas de tempo, tempo e clima, mostrando estabilidade suficiente para simulações meteorológicas e climáticas de longo prazo.

A equipa de investigação acredita que esta aprendizagem profunda ponta a ponta é compatível com as tarefas executadas pelos modelos tradicionais de circulação geral (GCMs, que representam os processos físicos da atmosfera, oceanos e terra, e são a base para previsões meteorológicas e climáticas). , e pode melhorar a compreensão e simulações físicas em grande escala, críticas para a previsão de sistemas terrestres.

Além disso, a abordagem de modelagem híbrida do NeuralGCM também pode ser aplicada a outros campos científicos, como descoberta de materiais, enovelamento de proteínas e projeto de engenharia multifísica.

Qual é o efeito real?？

A redução da incerteza nas previsões de longo prazo e a estimativa de fenómenos meteorológicos extremos são fundamentais para compreender a mitigação e a adaptação às alterações climáticas.

Modelo de aprendizado de máquinaSempre foi considerado um meio alternativo de previsão do tempo, com a vantagem de economizar custos de energia computacional, chegando até a atingir ou ultrapassar o nível dos modelos de circulação atmosférica em termos de previsão meteorológica determinística.O desempenho nas previsões de longo prazo é frequentemente inferior aos modelos de circulação geral。

Neste trabalho, a equipe de pesquisa projetou o NeuralGCM combinando aprendizado de máquina e métodos físicos, usando componentes de ML para substituir ou corrigir o esquema tradicional de parametrização física no GCM, que consiste nas seguintes partes principais:

• Núcleo de potência diferenciável : Este núcleo é responsável por resolver equações dinâmicas discretizadas e simular movimentos de fluidos em grande escala e processos termodinâmicos, que são afetados pela gravidade, força de Coriolis e outros fatores. O núcleo dinâmico usa discretização pseudoespectral horizontal e coordenadas sigma verticais e é implementado usando a biblioteca JAX para suportar diferenciação automática. Ele simula sete variáveis ​​de previsão: vorticidade horizontal do vento, divergência horizontal do vento, temperatura, pressão superficial e três espécies de água (umidade específica, conteúdo de água em nuvens de gelo e conteúdo de água em nuvens líquidas).

• Módulo de Estudo de Física : Este módulo utiliza a abordagem de coluna única no GCM, usando apenas informações de uma única coluna atmosférica para prever os efeitos de processos não resolvidos dentro dessa coluna. Ele usa uma rede neural totalmente conectada com conexões residuais e compartilha pesos entre todas as colunas atmosféricas. As entradas para a rede neural incluem variáveis ​​de previsão na coluna atmosférica, radiação solar incidente total, concentração de gelo marinho e temperatura da superfície do mar, bem como gradientes horizontais das variáveis ​​de previsão. A saída da rede neural é a tendência da variável de previsão, dimensionada pelo desvio padrão incondicional do campo alvo.

• Codificadores e decodificadores : Como os dados ERA5 são armazenados em coordenadas de pressão enquanto o núcleo de potência usa o sistema de coordenadas sigma, codificadores e decodificadores são necessários para a conversão. Esses componentes realizam interpolação linear entre os níveis de pressão e os níveis de coordenadas sigma e são corrigidos usando a mesma arquitetura de rede neural do módulo de física aprendido. O codificador elimina as ondas gravitacionais causadas pelo choque de inicialização, evitando assim a contaminação dos resultados da previsão.

Figura | Arquitetura do modelo NeuralGCM. NeuralGCM combina solucionadores tradicionais de dinâmica de fluidos com redes neurais para física de pequena escala. Esses componentes são montados por um solucionador de equações diferenciais que avança sequencialmente o sistema no tempo. (Fonte: Pesquisa Google)

Os resultados mostram que o NeuralGCM apresenta fortes capacidades em previsão do tempo, competindo com modelos de última geração em escalas de tempo de ultracurto, curto e médio prazo. do seguinte modo:

Previsão de muito curto prazo (0-1 dia)

• Capacidade de generalização: Comparado ao GraphCast, o NeuralGCM tem melhor desempenho em condições climáticas não treinadas porque usa redes neurais locais para prever processos físicos na coluna vertical da atmosfera.

Previsão de curto prazo (1-10 dias)

• Precisão: NeuralGCM-0,7° e GraphCast apresentam melhor desempenho em previsões de curto prazo de 1 a 3 dias, rastreando com precisão as mudanças nos padrões climáticos.

• Consistência física: em comparação com outros modelos de aprendizado de máquina, as previsões do NeuralGCM são mais claras, evitando previsões fisicamente inconsistentes e ambíguas.

• Interpretabilidade: Ao diagnosticar a precipitação menos a evaporação, os resultados do NeuralGCM são mais interpretáveis ​​e facilitam a análise dos recursos hídricos.

• Balanço do vento geostrófico: o NeuralGCM simula com mais precisão a estrutura vertical dos ventos geostróficos e geostróficos e suas proporções do que o GraphCast.

Previsão de médio prazo (7-15 dias)

• Previsão do conjunto: Os erros médios do conjunto RMSE, RMSB e CRPS do NeuralGCM-ENS com resolução de 1,4° são todos inferiores aos do ECMWF-ENS, indicando que ele pode capturar melhor o possível estado meteorológico médio.

• Calibabilidade: As previsões de conjunto do NeuralGCM-ENS, como o ECMWF-ENS, têm uma relação divergência-habilidade de aproximadamente 1, que é uma condição necessária para calibrar as previsões.

Além de seu excelente desempenho na previsão do tempo, o NeuralGCM também demonstrou fortes capacidades em simulação climática, como simulação de ciclo sazonal, simulação de ciclone tropical e simulação histórica de tendências de temperatura. do seguinte modo:

Simulação de ciclo sazonal

• Precisão: O NeuralGCM é capaz de simular com precisão ciclos sazonais, incluindo ciclos anuais de água precipitável global e energia cinética global total, bem como dinâmicas atmosféricas importantes, como a célula de Hadley e o vento médio meridional.

• Comparação com modelos globais resolvidos em nuvem: NeuralGCM tem vieses menores em água precipitável e vieses de temperatura mais baixos nos trópicos do que o modelo global resolvido em nuvem X-SHiELD.

Simulação de ciclone tropical

• Trajetos e números: mesmo com uma resolução aproximada de 1,4°, o NeuralGCM produz rastros e números de ciclones tropicais semelhantes ao ERA5, enquanto o modelo global de resolução de nuvens X-SHiELD subestima o número de ciclones tropicais com resolução de 1,4°.

Vídeo｜NeuralGCM prevê a trajetória dos ciclones tropicais globais em 2020. Os resultados da previsão são consistentes com o número real e a intensidade dos ciclones para esse ano, conforme mostrado pelo conjunto de dados da Reanálise Versão 5 (ERA5) do ECMWF. (Fonte: Pesquisa Google)

Simulação histórica de tendência de temperatura

• Simulações AMIP: NeuralGCM-2.8° conduziu 40 anos de simulações AMIP e mostrou que todas as simulações capturaram com precisão as tendências de aquecimento global observadas nos dados ERA5 e que as tendências interanuais de temperatura estavam fortemente correlacionadas com os dados ERA5, indicando que NeuralGCM pode efetivamente simular o impacto da força da TSM sobre o clima.

• Comparação com o modelo CMIP6: NeuralGCM-2.8° tem um viés de temperatura menor durante 1981-2014 do que o modelo CMIP6 AMIP, um resultado que se mantém mesmo após a remoção do viés de temperatura global do modelo CMIP6 AMIP.

Figura | Precisão do NeuralGCM e capacidade de capturar o aquecimento global em escalas de tempo decadais. Comparação do desempenho do NeuralGCM e AMIP na previsão da temperatura média global de 1980 a 2020. (Fonte: Pesquisa Google)

Embora o NeuralGCM tenha demonstrado fortes capacidades em previsão do tempo e do clima, eleAinda existem algumas limitações。

primeiro,NeuralGCM tem capacidade limitada de prever o clima futuro . Atualmente, o NeuralGCM não é capaz de prever climas futuros que difiram significativamente dos climas históricos. Quando a temperatura da superfície do mar (TSM) aumenta muito (como +4K), a resposta do NeuralGCM não está de acordo com as expectativas e ocorre uma deriva climática.

Em segundo lugar,NeuralGCM tem capacidade insuficiente para simular clima não observado . Semelhante a outros modelos climáticos de aprendizado de máquina, o NeuralGCM também enfrenta o desafio de simular climas não observados, como clima futuro ou clima que difere muito dos dados históricos. Isto requer modelos com capacidades de generalização mais fortes e estratégias de treino mais avançadas, tais como treino adversário ou meta-aprendizagem.

Então,NeuralGCM também tem restrições físicas e problemas de estabilidade numérica . Por exemplo, a distribuição espectral do NeuralGCM ainda é mais vaga do que a das previsões físicas do ECMWF, e há uma subestimação na simulação de eventos extremos tropicais. Isto requer mais pesquisas e aprimoramento da parametrização do processo físico e dos métodos numéricos do modelo para melhorar a consistência física e a estabilidade numérica do modelo.

afinal,Falta de acoplamento a outros componentes do sistema terrestre . Atualmente, o NeuralGCM simula apenas o sistema atmosférico, enquanto o sistema climático é um sistema complexo de interação, incluindo oceanos, terra, gelo e neve, e a biosfera. Para realizar simulações climáticas mais abrangentes, o NeuralGCM precisa estar acoplado a esses componentes e levar em consideração as interações entre eles. Isto requer o desenvolvimento de novas arquiteturas de modelos e estratégias de treinamento para permitir simulações multifísicas acopladas.

A previsão meteorológica tradicional e a simulação climática estão sendo subvertidas pela IA

NeuralGCM não é “pioneiro” quando se trata de previsão e simulação climática。

Nos últimos anos, as empresas tecnológicas e as universidades, incluindo a Huawei, a Google e a Universidade de Tsinghua, fizeram progressos significativos nesta direção.

Em julho de 2023, desenvolvido pela Huawei CloudModelo Pangu-WeatherEmbarcado na Nature, ele usa 39 anos de dados meteorológicos de reanálise global como dados de treinamento. Sua precisão de previsão é comparável ao melhor sistema numérico de previsão meteorológica do mundo, IFS, e é mais de 10.000 vezes mais rápido que o sistema IFS na mesma resolução espacial.

Outro artigo publicado na Nature na mesma época introduziuNowcastNet, que vem de uma equipe de pesquisa liderada por Michael Jordan, professor da Universidade da Califórnia, Berkeley, e Wang Jianmin, professor da Universidade Tsinghua. Este modelo pode combinar leis físicas e aprendizado profundo para prever a precipitação em tempo real.

Em novembro de 2023, o Google DeepMind lançou um modelo de previsão do tempo baseado em aprendizado de máquina——GraphCast , com uma resolução global de 0,25°, o modelo pode prever centenas de variáveis ​​meteorológicas para os próximos 10 dias em um minuto, significativamente melhor do que os métodos tradicionais de previsão meteorológica, ao mesmo tempo que tem um bom desempenho na previsão de eventos extremos. Artigos de pesquisa relevantes foram publicados na conceituada revista científica Science.

Em Março deste ano, um modelo de IA também desenvolvido pela equipa de investigação da Google derrotou o mais avançado sistema global de alerta de cheias. Utilizava 5.680 medidores existentes para treino e podia prever o escoamento diário em bacias hidrográficas não medidas num período de previsão de 7 dias.

Hoje, a previsão meteorológica tradicional e a simulação climática estão a ser subvertidas pela IA. No futuro, a IA acelerará ainda mais a velocidade e a precisão das previsões meteorológicas, beneficiando toda a humanidade.

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

｜Clique para me seguir e lembre-se de estrelar｜