Новости

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Автор: Ма Сюэвэй

Редактор | Купер

Предисловие

Данные Всемирной метеорологической организации (ВМО) показывают, что за последние 50 лет каждый день происходили в среднем катастрофы, связанные с погодой, климатом или наводнениями.Каждая катастрофа приводит в среднем к гибели 115 человек и экономическому ущербу в размере около 202 миллионов долларов США.。

Еще более прискорбно то, что в последние годы изменение климата, ускоренное деятельностью человека, привело к тому, что экстремальные погодные и климатические катастрофы, такие как волны жары, волны холода, обильные осадки и засухи, происходят все чаще.

поэтому,Своевременно и точноРасширенное прогнозирование погоды и моделирование климата могут не только помочь спасти десятки тысяч жизней каждый год, но и уменьшить катастрофическое воздействие экстремальных погодных и климатических явлений на человеческое общество и экосистемы.

сейчас,NeuralGCM, модель искусственного интеллекта (ИИ), разработанная исследовательской группой Google Research и ее сотрудниками, выводит прогнозирование погоды и моделирование климата на новый уровень.——

• Точность прогноза NeuralGCM на 1–15 дней сравнима с точностью Европейского центра среднесрочных прогнозов погоды (ECMWF), который имеет самую совершенную в мире традиционную модель физического прогноза погоды;

• С точки зрения точности 10-дневного прогноза NeuralGCM работает так же хорошо или даже лучше, чем другие существующие модели искусственного интеллекта;

• После добавления температуры поверхности моря результаты 40-летнего прогноза климата NeuralGCM согласуются с тенденцией глобального потепления, обнаруженной в данных ECMWF;

• NeuralGCM также превосходит существующие климатические модели в прогнозировании циклонов и их траекторий.

Стоит отметить, что NeuralGCM не только достигает или даже превосходит существующие традиционные модели численного прогнозирования погоды и другие модели машинного обучения (ML) с точки зрения точности, он также «далеко впереди» с точки зрения скорости и может использоваться в других системах;Создайте моделирование атмосферы за 22,8 дня за 30 секунд расчетного времени.; И это может сэкономить на порядки больше вычислений, чем традиционные модели.

Видео | NeuralGCM моделирует атмосферу быстрее, чем современные физические модели, давая прогнозы с сопоставимой точностью. В этом видео сравниваются дни атмосферного моделирования, созданные NeuralGCM, и две физические модели, NOAA X-SHiELD и NCAR CAM6, в течение 30-секундного времени расчета. Среди них NOAA X-SHiELD — физическая модель высокого разрешения (0,03°), которую необходимо запускать на суперкомпьютере; NCAR CAM6 — это чистая физическая модель атмосферы с низким разрешением (1,0°), требующая низких вычислительных затрат. более распространенный выбор среди ученых. Хотя NeuralGCM работает с более низким разрешением (1,4°), его точность сравнима с моделями с более высоким разрешением. (Источник: исследования Google)

Соответствующая исследовательская статья называется «Нейронные модели общей циркуляции погоды и климата» и опубликована в авторитетном научном журнале Nature.

В совокупности эти результаты демонстрируют, что NeuralGCM может генерировать детерминированные ансамблевые прогнозы погоды, погоды и климата, демонстрируя достаточную стабильность для долгосрочного моделирования погоды и климата.

Исследовательская группа считает, что это сквозное глубокое обучение совместимо с задачами, выполняемыми традиционными моделями общей циркуляции (МОЦ, которые представляют физические процессы в атмосфере, океанах и суше и являются основой для прогнозов погоды и климата). и может улучшить понимание и крупномасштабное физическое моделирование, имеющее решающее значение для прогнозирования систем Земли.

Кроме того, подход гибридного моделирования NeuralGCM также можно применять в других научных областях, таких как открытие материалов, сворачивание белков и мультифизическое инженерное проектирование.

Каков реальный эффект?？

Снижение неопределенности в долгосрочных прогнозах и оценка экстремальных погодных явлений являются ключом к пониманию смягчения последствий изменения климата и адаптации к ним.

Модель машинного обученияОн всегда считался альтернативным средством прогнозирования погоды с преимуществом экономии затрат на вычислительную мощность и даже достиг или превзошел уровень моделей атмосферной циркуляции с точки зрения детерминистического прогнозирования погоды.Эффективность долгосрочных прогнозов часто уступает моделям общей циркуляции.。

В этой работе исследовательская группа разработала NeuralGCM, объединив машинное обучение и физические методы, используя компоненты ML для замены или исправления традиционной схемы физической параметризации в GCM, которая состоит из следующих ключевых частей:

• Дифференцируемое силовое ядро : Это ядро ​​отвечает за решение дискретных динамических уравнений и моделирование крупномасштабного движения жидкости и термодинамических процессов, на которые влияют гравитация, сила Кориолиса и другие факторы. Динамическое ядро ​​использует горизонтальную псевдоспектральную дискретизацию и вертикальные сигма-координаты и реализовано с использованием библиотеки JAX для поддержки автоматического дифференцирования. Он моделирует семь переменных прогноза: горизонтальную завихренность ветра, горизонтальную дивергенцию ветра, температуру, приземное давление и три вида воды (удельную влажность, содержание воды в ледяных облаках и содержание воды в жидких облаках).

• Учебный модуль по физике : этот модуль использует одноколоночный подход в GCM, используя только информацию из одного столбца атмосферы для прогнозирования эффектов неопределенных процессов внутри этого столбца. Он использует полностью связанную нейронную сеть с остаточными связями и разделяет веса между всеми атмосферными столбцами. Входные данные для нейронной сети включают прогнозируемые переменные в столбе атмосферы, общее количество падающей солнечной радиации, концентрацию морского льда и температуру поверхности моря, а также горизонтальные градиенты прогнозируемых переменных. Результатом работы нейронной сети является прогнозируемая переменная тенденция, масштабированная по безусловному стандартному отклонению целевого поля.

• Кодеры и декодеры : Поскольку данные ERA5 хранятся в координатах давления, а силовое ядро ​​использует сигма-систему координат, для преобразования требуются кодеры и декодеры. Эти компоненты выполняют линейную интерполяцию между уровнями давления и уровнями сигма-координат и корректируются с использованием той же архитектуры нейронной сети, что и модуль изученной физики. Кодер устраняет гравитационные волны, вызванные ударом инициализации, тем самым избегая искажения результатов прогнозирования.

Рисунок | Архитектура модели NeuralGCM. NeuralGCM сочетает в себе традиционные решатели гидродинамики с нейронными сетями для мелкомасштабной физики. Эти компоненты собираются с помощью решателя дифференциальных уравнений, который последовательно перемещает систему вперед во времени. (Источник: исследования Google)

Результаты показывают, что NeuralGCM демонстрирует сильные возможности в прогнозировании погоды, конкурируя с современными моделями в сверхкраткосрочных, краткосрочных и среднесрочных временных масштабах. следующее:

Очень краткосрочный прогноз (0-1 день)

• Способность к обобщению: по сравнению с GraphCast, NeuralGCM работает лучше в неподготовленных погодных условиях, поскольку использует локальные нейронные сети для прогнозирования физических процессов в вертикальном столбе атмосферы.

Краткосрочный прогноз (1-10 дней)

• Точность: NeuralGCM-0,7° и GraphCast лучше всего работают при составлении краткосрочных прогнозов на 1–3 дня, точно отслеживая изменения погодных условий.

• Физическая согласованность: по сравнению с другими моделями машинного обучения прогнозы NeuralGCM более четкие, что позволяет избежать физически непоследовательных и неоднозначных прогнозов.

• Интерпретируемость. Благодаря диагностике количества осадков за вычетом испарения результаты NeuralGCM становятся более интерпретируемыми и облегчают анализ водных ресурсов.

• Геострофический баланс ветра: NeuralGCM более точно моделирует вертикальную структуру геострофических и геострофических ветров и их соотношения, чем GraphCast.

Среднесрочный прогноз (7-15 дней)

• Ансамбльный прогноз: средние по ансамблю ошибки RMSE, RMSB и CRPS NeuralGCM-ENS с разрешением 1,4° ниже, чем у ECMWF-ENS, что указывает на то, что он может лучше фиксировать возможное среднее состояние погоды.

• Калибрируемость: ансамблевые прогнозы NeuralGCM-ENS, как и ECMWF-ENS, имеют коэффициент расхождения к навыку, равный примерно 1, что является необходимым условием для калибровки прогнозов.

Кроме того, помимо отличных результатов в прогнозировании погоды, NeuralGCM также продемонстрировал сильные возможности в моделировании климата, например, в моделировании сезонных циклов, моделировании тропических циклонов и моделировании исторических трендов температуры. следующее:

Моделирование сезонного цикла

• Точность: NeuralGCM способен точно моделировать сезонные циклы, включая годовые циклы глобальной осаждаемой воды и общей глобальной кинетической энергии, а также ключевые атмосферные динамики, такие как ячейка Хэдли и средний меридиональный ветер.

• Сравнение с глобальными моделями с разрешением облаков: NeuralGCM имеет меньшие отклонения в осаждаемой воде и более низкие температурные отклонения в тропиках, чем глобальная модель с разрешением облаков X-SHIELD.

Моделирование тропического циклона

• Треки и цифры: даже при грубом разрешении 1,4° NeuralGCM выдаёт следы и числа тропических циклонов, аналогичные ERA5, в то время как глобальная модель разрешения облаков X-SHiELD недооценивает количество тропических циклонов при разрешении 1,4°.

Видео｜NeuralGCM прогнозирует траекторию глобальных тропических циклонов в 2020 году. Результаты прогноза соответствуют фактическому количеству и интенсивности циклонов в этом году, как показано в наборе данных реанализа ECMWF версии 5 (ERA5). (Источник: исследования Google)

Моделирование исторических температурных трендов

• Моделирование AMIP: NeuralGCM-2.8° провел 40 лет моделирования AMIP и показал, что все моделирования точно отражают тенденции глобального потепления, наблюдаемые в данных ERA5, и что межгодовые тенденции температуры сильно коррелируют с данными ERA5, что указывает на то, что NeuralGCM может эффективно моделировать воздействие. воздействия ТПМ на климат.

• Сравнение с моделью CMIP6: NeuralGCM-2.8° имеет меньшее температурное смещение в течение 1981-2014 годов, чем модель CMIP6 AMIP, и этот результат сохраняется даже после удаления глобального температурного смещения из модели CMIP6 AMIP.

Рисунок | Точность NeuralGCM и способность фиксировать глобальное потепление в десятилетних масштабах времени. Сравнение эффективности NeuralGCM и AMIP при прогнозировании средней глобальной температуры с 1980 по 2020 год. (Источник: исследования Google)

Хотя NeuralGCM продемонстрировал сильные возможности в прогнозировании погоды и климата, онЕсть еще некоторые ограничения。

первый,NeuralGCM имеет ограниченные возможности предсказывать будущий климат . NeuralGCM в настоящее время не может предсказать будущий климат, который значительно отличается от исторического климата. Когда температура поверхности моря (SST) увеличивается на большую величину (например, +4K), реакция NeuralGCM не соответствует ожиданиям, и происходит климатический дрейф.

Во-вторых,NeuralGCM не обладает достаточными возможностями для моделирования ненаблюдаемого климата. . Подобно другим климатическим моделям машинного обучения, NeuralGCM также сталкивается с проблемой моделирования ненаблюдаемого климата, например будущего климата или климата, который сильно отличается от исторических данных. Для этого требуются модели с более сильными возможностями обобщения и более продвинутыми стратегиями обучения, такими как состязательное обучение или метаобучение.

Затем,NeuralGCM также имеет физические ограничения и проблемы с числовой стабильностью. . Например, спектральное распределение NeuralGCM все еще более расплывчато, чем распределение физических прогнозов ECMWF, а при моделировании тропических экстремальных явлений наблюдается недооценка. Это требует дальнейших исследований и совершенствования параметризации физических процессов и численных методов модели для улучшения физической согласованности и численной устойчивости модели.

наконец,Отсутствие связи с другими компонентами системы Земли. . В настоящее время NeuralGCM лишь моделирует атмосферную систему, тогда как климатическая система представляет собой сложную взаимодействующую систему, включающую океаны, сушу, лед и снег, а также биосферу. Для выполнения более комплексного моделирования климата NeuralGCM необходимо подключить к этим компонентам и учитывать взаимодействие между ними. Это требует разработки новых архитектур моделей и стратегий обучения, позволяющих проводить совместное мультифизическое моделирование.

Традиционные прогнозы погоды и моделирование климата подрываются искусственным интеллектом

NeuralGCM не является «пионером» в области прогнозирования погоды и моделирования климата.。

За последние несколько лет технологические компании и университеты, в том числе Huawei, Google и Университет Цинхуа, добились значительного прогресса в этом направлении.

В июле 2023 г. разработано Huawei Cloud.Модель погоды ПангуРазмещенный в природе, он использует данные глобального реанализа погоды за 39 лет в качестве обучающих данных. Точность его прогнозов сравнима с лучшей в мире системой численного прогнозирования погоды IFS и более чем в 10 000 раз быстрее, чем система IFS при том же пространственном разрешении.

Другая статья, опубликованная в журнале Nature в то же время, представилаNowcastNetЭта модель может сочетать физические законы и глубокое обучение для прогнозирования осадков в реальном времени.

В ноябре 2023 года Google DeepMind запустила модель прогнозирования погоды, основанную на машинном обучении.ГрафКаст При глобальном разрешении 0,25° модель может предсказать сотни погодных переменных на следующие 10 дней за одну минуту, что значительно лучше, чем традиционные методы прогнозирования погоды, и при этом хорошо справляется с прогнозированием экстремальных явлений. Соответствующие научные статьи опубликованы в авторитетном научном журнале Science.

В марте этого года модель искусственного интеллекта, также разработанная исследовательской группой Google, победила самую передовую глобальную систему предупреждения о наводнениях. Она использовала 5680 существующих датчиков для обучения и могла прогнозировать ежедневный сток в неизмеренных водоразделах в течение 7-дневного периода прогнозирования.

Сегодня традиционные прогнозы погоды и моделирование климата подрываются искусственным интеллектом. В будущем ИИ еще больше ускорит скорость и точность прогнозов погоды, что принесет пользу всему человечеству.

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

｜Нажмите, чтобы подписаться на меня, и не забудьте поставить звездочку｜