noticias

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Escrito por |

Editor |

Prefacio

Los datos de la Organización Meteorológica Mundial (OMM) muestran que durante los últimos 50 años, todos los días se produjo un desastre meteorológico, climático o relacionado con inundaciones, yCada desastre causa un promedio de alrededor de 115 muertes y pérdidas económicas de alrededor de 202 millones de dólares.。

Lo que es aún más lamentable es que en los últimos años, el cambio climático acelerado por las actividades humanas ha hecho que los fenómenos meteorológicos extremos y los desastres climáticos como olas de calor, olas de frío, fuertes precipitaciones y sequías se produzcan con mayor frecuencia.

por lo tanto,Oportuno y precisoLa predicción meteorológica y la modelización climática avanzadas no sólo pueden ayudar a salvar decenas de miles de vidas cada año, sino también reducir el impacto catastrófico de los fenómenos meteorológicos y climáticos extremos en la sociedad humana y los ecosistemas.

ahora,NeuralGCM, un modelo de inteligencia artificial (IA) desarrollado por el equipo de investigación de Google Research y sus colaboradores, lleva la predicción meteorológica y la simulación climática a un nuevo nivel——

• La precisión del pronóstico de 1 a 15 días de NeuralGCM es comparable a la del Centro Europeo de Pronósticos Meteorológicos a Plazo Medio (ECMWF), que cuenta con el modelo de pronóstico meteorológico físico tradicional más avanzado del mundo;

• Para la precisión del pronóstico de 10 días, NeuralGCM funciona igual de bien o incluso mejor que otros modelos de IA existentes;

• Después de agregar la temperatura de la superficie del mar, los resultados de la predicción climática a 40 años de NeuralGCM son consistentes con la tendencia de calentamiento global encontrada en los datos del ECMWF;

• NeuralGCM también supera a los modelos climáticos existentes en la predicción de ciclones y sus trayectorias.

Vale la pena mencionar que NeuralGCM no solo alcanza o incluso supera los modelos tradicionales de predicción meteorológica numérica y otros modelos de aprendizaje automático (ML) existentes en términos de precisión, sino que también está "muy por delante" en términos de velocidad y puede usarse en;Genere 22,8 días de simulación atmosférica en 30 segundos de tiempo de cálculoY puede ahorrar muchos más cálculos que los modelos tradicionales.

Vídeo | NeuralGCM simula la atmósfera más rápido que los modelos físicos de última generación y, al mismo tiempo, produce predicciones con una precisión comparable. Este vídeo compara los días de simulación atmosférica generados por NeuralGCM y dos modelos físicos, NOAA X-SHiELD y NCAR CAM6, en un tiempo de cálculo de 30 segundos. Entre ellos, NOAA X-SHiELD es un modelo físico de alta resolución (0,03°) que debe ejecutarse en una supercomputadora; NCAR CAM6 es un modelo de física atmosférica pura de menor resolución (1,0°) que requiere bajos costos computacionales. opción más utilizada entre los científicos. Aunque NeuralGCM opera a una resolución más baja (1,4°), su precisión es comparable a la de modelos de mayor resolución. (Fuente: Investigación de Google)

El artículo de investigación correspondiente se titula "Modelos de circulación general neuronal para el tiempo y el clima" y ha sido publicado en la prestigiosa revista científica Nature.

En conjunto, estos resultados demuestran que NeuralGCM puede generar pronósticos conjuntos deterministas del tiempo, el tiempo y el clima, mostrando suficiente estabilidad para simulaciones meteorológicas y climáticas a largo plazo.

El equipo de investigación cree que este aprendizaje profundo de extremo a extremo es compatible con las tareas realizadas por los modelos tradicionales de circulación general (GCM, que representan los procesos físicos de la atmósfera, los océanos y la tierra, y es la base para las predicciones meteorológicas y climáticas). y puede mejorar la comprensión y las simulaciones físicas a gran escala fundamentales para predecir los sistemas terrestres.

Además, el enfoque de modelado híbrido de NeuralGCM también se puede aplicar a otros campos científicos, como el descubrimiento de materiales, el plegamiento de proteínas y el diseño de ingeniería multifísica.

¿Cuál es el efecto real?？

Reducir la incertidumbre en los pronósticos a largo plazo y estimar los fenómenos meteorológicos extremos son clave para comprender la mitigación y la adaptación al clima.

modelo de aprendizaje automáticoSiempre se ha considerado un medio alternativo de predicción meteorológica, con la ventaja de ahorrar costes de potencia informática, e incluso ha alcanzado o superado el nivel de los modelos de circulación atmosférica en términos de predicción meteorológica determinista.El rendimiento de los pronósticos a largo plazo suele ser inferior al de los modelos de circulación general.。

En este trabajo, el equipo de investigación diseñó NeuralGCM combinando aprendizaje automático y métodos físicos, utilizando componentes de ML para reemplazar o corregir el esquema de parametrización física tradicional en GCM, que consta de las siguientes partes clave:

• Núcleo de potencia diferenciable : Este núcleo es responsable de resolver ecuaciones dinámicas discretizadas y simular el movimiento de fluidos a gran escala y procesos termodinámicos, que se ven afectados por la gravedad, la fuerza de Coriolis y otros factores. El núcleo dinámico utiliza discretización pseudoespectral horizontal y coordenadas sigma verticales, y se implementa utilizando la biblioteca JAX para admitir la diferenciación automática. Simula siete variables de pronóstico: vorticidad del viento horizontal, divergencia horizontal del viento, temperatura, presión superficial y tres especies de agua (humedad específica, contenido de agua de las nubes de hielo y contenido de agua de las nubes líquidas).

• Estudiar Módulo de Física : Este módulo utiliza el enfoque de una sola columna en GCM, utilizando solo información de una sola columna atmosférica para predecir los efectos de los procesos no resueltos dentro de esa columna. Utiliza una red neuronal completamente conectada con conexiones residuales y comparte pesos entre todas las columnas atmosféricas. Las entradas a la red neuronal incluyen variables de pronóstico en la columna atmosférica, radiación solar incidente total, concentración de hielo marino y temperatura de la superficie del mar, así como gradientes horizontales de las variables de pronóstico. La salida de la red neuronal es la tendencia de la variable de pronóstico, escalada por la desviación estándar incondicional del campo objetivo.

• Codificadores y decodificadores : Dado que los datos ERA5 se almacenan en coordenadas de presión mientras que el núcleo de potencia utiliza el sistema de coordenadas sigma, se requieren codificadores y decodificadores para la conversión. Estos componentes realizan una interpolación lineal entre los niveles de presión y los niveles de coordenadas sigma y se corrigen utilizando la misma arquitectura de red neuronal que el módulo de física aprendido. El codificador elimina las ondas de gravedad causadas por el choque de inicialización, evitando así contaminar los resultados de la predicción.

Figura | Arquitectura del modelo NeuralGCM. NeuralGCM combina solucionadores de dinámica de fluidos tradicionales con redes neuronales para física a pequeña escala. Estos componentes se ensamblan mediante un solucionador de ecuaciones diferenciales que hace avanzar secuencialmente el sistema en el tiempo. (Fuente: Investigación de Google)

Los resultados muestran que NeuralGCM exhibe sólidas capacidades en la predicción del tiempo, compitiendo con modelos de última generación en escalas de tiempo de ultracorto, corto y mediano plazo. como sigue:

Previsión a muy corto plazo (0-1 día)

• Capacidad de generalización: en comparación con GraphCast, NeuralGCM funciona mejor en condiciones climáticas no entrenadas porque utiliza redes neuronales locales para predecir procesos físicos en la columna vertical de la atmósfera.

Previsión a corto plazo (1-10 días)

• Precisión: NeuralGCM-0.7° y GraphCast funcionan mejor en pronósticos a corto plazo de 1 a 3 días, rastreando con precisión los cambios en los patrones climáticos.

• Consistencia física: en comparación con otros modelos de aprendizaje automático, las predicciones de NeuralGCM son más claras y evitan predicciones ambiguas y físicamente inconsistentes.

• Interpretabilidad: al diagnosticar la precipitación menos la evaporación, los resultados de NeuralGCM son más interpretables y facilitan el análisis de los recursos hídricos.

• Balance del viento geostrófico: NeuralGCM simula con mayor precisión la estructura vertical de los vientos geostróficos y geostróficos y sus proporciones que GraphCast.

Previsión a medio plazo (7-15 días)

• Pronóstico conjunto: Los errores RMSE, RMSB y CRPS medios del conjunto de NeuralGCM-ENS con una resolución de 1,4° son todos más bajos que los de ECMWF-ENS, lo que indica que puede capturar mejor el posible estado meteorológico medio.

• Calibabilidad: los pronósticos conjuntos de NeuralGCM-ENS, como ECMWF-ENS, tienen una relación divergencia-habilidad de aproximadamente 1, que es una condición necesaria para calibrar los pronósticos.

Además de su excelente rendimiento en predicción del tiempo, NeuralGCM también ha demostrado sólidas capacidades en simulación climática, como simulación de ciclos estacionales, simulación de ciclones tropicales y simulación de tendencias históricas de temperatura. como sigue:

Simulación de ciclo estacional

• Precisión: NeuralGCM es capaz de simular con precisión ciclos estacionales, incluidos los ciclos anuales de agua precipitable global y energía cinética global total, así como dinámicas atmosféricas clave como la célula de Hadley y el viento medio meridional.

• Comparación con modelos globales resueltos en nubes: NeuralGCM tiene sesgos más pequeños en agua precipitable y sesgos de temperatura más bajos en los trópicos que el modelo global X-SHiELD resuelto en nubes.

Simulación de ciclones tropicales

• Seguimientos y números: incluso con una resolución aproximada de 1,4°, NeuralGCM produce trayectorias de ciclones tropicales y números similares a ERA5, mientras que el modelo global de resolución de nubes X-SHiELD subestima el número de ciclones tropicales con una resolución de 1,4°.

Video｜NeuralGCM predice la trayectoria de los ciclones tropicales globales en 2020. Los resultados del pronóstico son consistentes con el número real y la intensidad de los ciclones para ese año, como lo muestra el conjunto de datos del Reanálisis Versión 5 (ERA5) del ECMWF. (Fuente: Investigación de Google)

Simulación de tendencia histórica de temperatura

• Simulaciones AMIP: NeuralGCM-2.8° realizó 40 años de simulaciones AMIP y demostró que todas las simulaciones capturaron con precisión las tendencias de calentamiento global observadas en los datos de ERA5 y que las tendencias de temperatura interanuales estaban fuertemente correlacionadas con los datos de ERA5, lo que indica que NeuralGCM puede simular eficazmente el impacto. del forzamiento de la TSM sobre el clima.

• Comparación con el modelo CMIP6: NeuralGCM-2.8° tiene un sesgo de temperatura menor durante 1981-2014 que el modelo CMIP6 AMIP, un resultado que se mantiene incluso después de eliminar el sesgo de temperatura global del modelo CMIP6 AMIP.

Figura | Precisión y capacidad de NeuralGCM para capturar el calentamiento global en escalas de tiempo decenales. Comparación del rendimiento de NeuralGCM y AMIP en la predicción de la temperatura media global de 1980 a 2020. (Fuente: Investigación de Google)

Aunque NeuralGCM ha demostrado sólidas capacidades en la predicción del tiempo y el clima,Todavía hay algunas limitaciones.。

primero,NeuralGCM tiene una capacidad limitada para predecir el clima futuro . Actualmente, NeuralGCM no puede predecir climas futuros que difieran significativamente de los climas históricos. Cuando la temperatura de la superficie del mar (SST) aumenta mucho (como +4K), la respuesta de NeuralGCM no está en línea con las expectativas y se produce una deriva climática.

En segundo lugar,NeuralGCM tiene capacidad insuficiente para simular el clima no observado . Al igual que otros modelos climáticos de aprendizaje automático, NeuralGCM también enfrenta el desafío de simular un clima no observado, como un clima futuro o un clima que difiere mucho de los datos históricos. Esto requiere modelos con mayores capacidades de generalización y estrategias de entrenamiento más avanzadas, como el entrenamiento adversario o el metaaprendizaje.

Entonces,NeuralGCM también tiene limitaciones físicas y problemas de estabilidad numérica. . Por ejemplo, la distribución espectral de NeuralGCM es aún más vaga que la de los pronósticos físicos del ECMWF, y hay una subestimación en la simulación de eventos extremos tropicales. Esto requiere más investigación y mejora de la parametrización del proceso físico y los métodos numéricos del modelo para mejorar la consistencia física y la estabilidad numérica del modelo.

por fin,Falta de acoplamiento con otros componentes del sistema Tierra. . Actualmente, NeuralGCM solo simula el sistema atmosférico, mientras que el sistema climático es un sistema complejo que interactúa, que incluye océanos, tierra, hielo y nieve, y la biosfera. Para realizar simulaciones climáticas más completas, NeuralGCM debe acoplarse a estos componentes y tener en cuenta las interacciones entre ellos. Esto requiere el desarrollo de nuevas arquitecturas de modelos y estrategias de entrenamiento para permitir simulaciones multifísicas acopladas.

La IA está subvirtiendo la predicción meteorológica y la simulación climática tradicionales

NeuralGCM no es un “pionero” en materia de predicción meteorológica y simulación climática。

En los últimos años, empresas de tecnología y universidades, incluidas Huawei, Google y la Universidad de Tsinghua, han logrado avances significativos en esta dirección.

En julio de 2023, desarrollado por Huawei CloudModelo meteorológico PanguAbordado en Nature, utiliza 39 años de datos meteorológicos de reanálisis global como datos de entrenamiento. Su precisión de predicción es comparable al mejor sistema numérico de predicción meteorológica del mundo, IFS, y es más de 10.000 veces más rápido que el sistema IFS con la misma resolución espacial.

Otro artículo publicado en Nature al mismo tiempo presentóNowcastNet, que proviene de un equipo de investigación dirigido por Michael Jordan, profesor de la Universidad de California, Berkeley, y Wang Jianmin, profesor de la Universidad de Tsinghua. Este modelo puede combinar leyes físicas y aprendizaje profundo para predecir la precipitación en tiempo real.

En noviembre de 2023, Google DeepMind lanzó un modelo de predicción del tiempo basado en aprendizaje automático.Graficocast , con una resolución global de 0,25°, el modelo puede predecir cientos de variables climáticas para los próximos 10 días en un minuto, significativamente mejor que los métodos tradicionales de pronóstico del tiempo, al tiempo que funciona bien en la predicción de eventos extremos. Se han publicado artículos de investigación relevantes en la prestigiosa revista científica Science.

En marzo de este año, un modelo de inteligencia artificial también desarrollado por el equipo de investigación de Google derrotó al sistema global de alerta de inundaciones más avanzado. Utilizó 5.680 medidores existentes para el entrenamiento y pudo predecir la escorrentía diaria en cuencas no calibradas dentro de un período de predicción de 7 días.

Hoy en día, la IA está subvirtiendo la predicción meteorológica y la simulación climática tradicionales. En el futuro, la IA acelerará aún más la velocidad y precisión de la predicción meteorológica, lo que beneficiará a toda la humanidad.

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

｜Haz clic para seguirme y recuerda destacar｜