Nowe graficzne modele sieci neuronowych usprawniają prognozowanie opadów

W dobie sztucznej inteligencji modele meteorologiczne i klimatyczne oparte wyłącznie na danych zaczynają doganiać, a nawet przewyższać tradycyjne modele numeryczne. Jednakże w obecnych modelach głębokiego uczenia się nadal występują istotne wyzwania, takie jak niska spójność fizyczna i nieoptymalne przewidywanie rozbieżnych wiatrów.

Ograniczenia te utrudniają możliwości przewidywania złożonych zjawisk pogodowych i klimatycznych, w tym opadów. Obiecujące podejście do sprostania tym wyzwaniom polega na połączeniu modeli fizyki, dynamiki atmosfery i głębokiego uczenia się.

Zespół badawczy kierowany przez profesora Huanga Ganga z Instytutu Fizyki Atmosfery (IAP) Chińskiej Akademii Nauk poczynił ogromne postępy w ulepszaniu prognozowania opadów przy użyciu nowego podejścia.

Wykorzystując EarthLab, nowe narzędzie do symulacji numerycznej do nauki o systemach Ziemi opracowane przez IAP, zespół wykorzystał dane i moc obliczeniową do udoskonalenia umiejętności prognozowania opadów w modelach numerycznych.

Skoncentrowali się na łączeniu zmiennych fizycznych za pomocą grafowych sieci neuronowych (GNN), aby wprowadzić ograniczenia fizyczne i poprawić dokładność prognoz opadów. Wyniki najnowszych badań opublikowany W magazynie Listy z badań geofizycznych.

Aby zaradzić trudnościom w przewidywaniu opadów, szczególnie w przypadku opadów intensywnych, zespół rozpoczął badanie czynników i mechanizmów wpływających na opady. Wykorzystali równanie omega i równanie pary wodnej do wyboru zmiennej i skonstruowali wykres sprzężenia zmiennych. Równania omega i pary wodnej opisują ruch pionowy i zmiany pary wodnej, które są krytycznymi czynnikami wpływającymi na opady.

Sieć grafów wyodrębniła te równania w strukturę siatki reprezentującą nieliniowe kombinacje podstawowych wielkości fizycznych i zależności między głównymi czynnikami opadów.

Biorąc pod uwagę wpływ czynników klimatycznych na wskaźniki pogodowe, zwłaszcza systematyczne różnice w błędach modeli w różnych warunkach klimatycznych, w badaniu uwzględniono nieliczne dane, takie jak sezonowość, oscylacja południowa El Niño (ENSO) i czas inicjalizacji, wykorzystując techniki osadzania obiektów do kalibracji Model.

Ponadto zespół badawczy przetłumaczył graficzną sieć neuronową ChebNet na potrzeby opadów atmosferycznych, zachowując jej skuteczność, a jednocześnie znacznie zmniejszając złożoność obliczeniową poprzez unikanie operacji globalnych.

Wyniki porównania zaproponowanych modeli omega-GNN i omega-EGNN z modelami numerycznymi wykazały znaczną poprawę umiejętności prognozowania opadów w różnych kategoriach. Wydajność tych modeli przewyższa wydajność modeli głębokiego uczenia się, które nie są ograniczone przez fizykę, np unet I 3D-CNN.

Co więcej, prognoza zespołowa, osiągnięta przy 10 perturbacjach dla wszystkich modeli głębokiego uczenia się, wykazała doskonałą spójność i możliwości przewidywania ograniczonych fizyką modeli Omega-GNN i Omega-EGNN, szczególnie w przypadku ulewnych opadów.

„Zgromadziliśmy duże doświadczenie w dynamice klimatu, a w ostatnich latach odkryliśmy sposoby na ulepszenie prognoz pogody i klimatu za pomocą sztucznej inteligencji, zdobywając nagrody w odpowiednich konkursach. W dobie sztucznej inteligencji integrowanie fizyki z różnymi podejściami i perspektyw jest poważnym wyzwaniem.

„Nasz zespół, opierając się na dynamice atmosfery i klimatu, eksperymentował z zastosowaniem miękkich wiązań do modeli z perspektywy sprzężenia fizycznego, aby wnieść dodatkowe informacje do pokrewnych dziedzin” – powiedział profesor Huang Gang, autor korespondent artykułu .