AI превосходит традиционные модели: быстрое и точное прогнозирование погоды и изменений климата

Данные Всемирной метеорологической организации (ВМО) показывают, что за последние 50 лет в среднем каждый день происходило стихийное бедствие, связанное с погодой, климатом или водой, вызывая примерно 115 смертей и экономические потери в размере 202 миллионов долларов за каждое событие.

Еще более тревожно то, что в последние годы изменение климата, ускоренное деятельностью человека, привело к аномальному увеличению экстремальных погодных и климатических бедствий, таких как волны жары, холодные периоды, сильные осадки и засухи.

Поэтому своевременный и точный прогноз 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.

Теперь модель искусственного интеллекта (ИИ) под названием NeuralGCM, разработанная командой Google Research и ее сотрудниками, вывела прогнозирование погоды и моделирование климата на новый уровень:

Точность NeuralGCM для прогнозов на 1-15 дней сопоставима с точностью Европейского центра среднесрочных прогнозов погоды (ECMWF), который имеет самую передовую в мире традиционную физическую модель прогнозирования погоды.
Для прогнозов на 10 дней вперед NeuralGCM работает так же хорошо или лучше, чем существующие модели ИИ.
С учетом температуры поверхности моря результаты 40-летнего климатического прогноза NeuralGCM согласуются с тенденциями глобального потепления, обнаруженными в данных ECMWF.
NeuralGCM также превосходит существующие климатические модели в прогнозировании циклонов и их траекторий.

Примечательно, что NeuralGCM не только соответствует или превосходит точность существующих традиционных моделей численного прогнозирования погоды и других моделей машинного обучения (МО), но и работает значительно быстрее, способна генерировать 22,8 дня атмосферного моделирования за 30 секунд вычислительного времени. Она также может сэкономить на порядки больше вычислительных ресурсов по сравнению с традиционными моделями.

Соответствующая исследовательская статья под названием "Нейронные модели общей циркуляции для погоды и климата" была опубликована в авторитетном научном журнале Nature.

Эти результаты в совокупности демонстрируют, что NeuralGCM может генерировать детерминированные прогнозы погоды, ансамблевые прогнозы погоды и климата, показывая достаточную стабильность для долгосрочного моделирования погоды и климата.

Исследовательская группа считает, что этот подход глубокого обучения от начала до конца совместим с задачами, выполняемыми традиционными моделями общей циркуляции (GCM, которые представляют физические процессы в атмосфере, океанах и на суше и являются основой для прогнозирования погоды и климата), и может улучшить крупномасштабные физические симуляции, которые имеют решающее значение для понимания и прогнозирования системы Земли.

Более того, гибридный подход к моделированию NeuralGCM может быть применен в других научных областях, таких как открытие материалов, сворачивание белков и многофизическое инженерное проектирование.

Уменьшение неопределенности в долгосрочных прогнозах и оценка экстремальных погодных явлений являются ключевыми для понимания смягчения последствий изменения климата и адаптации к ним.

Модели МО давно рассматриваются как альтернативное средство прогнозирования погоды, имеющее преимущество в экономии вычислительных затрат. Они даже достигли или превзошли уровень моделей атмосферной циркуляции в детерминированном прогнозировании погоды. Однако они часто уступают моделям атмосферной циркуляции в долгосрочном прогнозировании.

В этой работе исследовательская группа разработала NeuralGCM, объединив методы машинного обучения и физические методы, используя компоненты МО для замены или коррекции традиционных схем физической параметризации в GCM. Она состоит из следующих ключевых частей:

Дифференцируемое динамическое ядро: Это ядро отвечает за решение дискретизированных динамических уравнений, моделирование крупномасштабного движения жидкости и термодинамических процессов, находящихся под влиянием гравитации, силы Кориолиса и других факторов. Динамическое ядро использует горизонтальную псевдоспектральную дискретизацию и вертикальные сигма-координаты и реализовано с использованием библиотеки JAX, поддерживающей автоматическое дифференцирование. Оно моделирует семь прогнозируемых переменных: завихренность горизонтального ветра, дивергенцию горизонтального ветра, температуру, давление на поверхности и три водных вещества (удельную влажность, содержание ледяной облачной воды и содержание жидкой облачной воды).
Модуль изучения физики: Этот модуль использует метод одной колонки в GCM, используя только информацию из одной атмосферной колонки для прогнозирования влияния неразрешенных процессов внутри этой колонки. Он использует полносвязную нейронную сеть с остаточными соединениями, разделяя веса между всеми атмосферными колонками. Входные данные нейронной сети включают прогнозируемые переменные в атмосферной колонке, общую падающую солнечную радиацию, концентрацию морского льда и температуру поверхности моря, а также горизонтальные градиенты прогнозируемых переменных. Выходные данные нейронной сети представляют собой тенденцию прогнозируемой переменной, масштабированную безусловным стандартным отклонением целевого поля.
Кодировщик и декодер: Поскольку данные ERA5 хранятся в координатах давления, в то время как динамическое ядро использует систему сигма-координат, необходимы кодировщики и декодеры для преобразования. Эти компоненты выполняют линейную интерполяцию между уровнями давления и уровнями сигма-координат и используют ту же архитектуру нейронной сети, что и модуль изученной физики, для коррекции. Кодировщик может устранить гравитационные волны, вызванные шоком инициализации, тем самым избегая загрязнения результатов прогноза.

Результаты показывают, что NeuralGCM демонстрирует мощные возможности в прогнозировании погоды, сопоставимые с современными моделями на сверхкраткосрочных, краткосрочных и среднесрочных временных масштабах. Например:

Сверхкраткосрочный прогноз (0-1 день):

Способность к обобщению: По сравнению с GraphCast, NeuralGCM работает лучше в нетренированных погодных условиях, поскольку использует локальные нейронные сети для прогнозирования физических процессов в вертикальных колонках атмосферы.

Краткосрочный прогноз (1-10 дней):

Точность: В краткосрочных прогнозах на 1-3 дня NeuralGCM-0.7° и GraphCast работают лучше всего, точно отслеживая изменения погодных паттернов.
Физическая согласованность: По сравнению с другими моделями машинного обучения, прогнозы NeuralGCM более четкие, избегая физически несогласованных размытых прогнозов.
Интерпретируемость: Диагностируя осадки минус испарение, результаты NeuralGCM более интерпретируемы, облегчая анализ водных ресурсов.
Геострофический баланс ветра: По сравнению с GraphCast, NeuralGCM более точно моделирует геострофические ветры, их вертикальную структуру и соотношения.

Среднесрочный прогноз (7-15 дней):

Ансамблевое прогнозирование: NeuralGCM-ENS с разрешением 1.4° имеет более низкие ошибки среднего ансамблевого RMSE, RMSB и CRPS, чем ECMWF-ENS, что указывает на его способность лучше улавливать возможные средние состояния погоды.
Калибруемость: Ансамблевые прогнозы NeuralGCM-ENS, как и ECMWF-ENS, имеют соотношение дисперсии и мастерства около 1, что является необходимым условием для калиброванных прогнозов.

Помимо отличной производительности в прогнозировании погоды, NeuralGCM также демонстрирует сильные возможности в моделировании климата, включая моделирование сезонного цикла, моделирование тропических циклонов и моделирование исторических температурных трендов. Например:

Моделирование сезонного цикла:

Точность: NeuralGCM может точно моделировать сезонные циклы, включая годовые циклы глобальной осаждаемой воды и глобальной общей кинетической энергии, а также ключевые атмосферные динамики, такие как циркуляция Хэдли и зональные средние ветры.
Сравнение с глобальными моделями с разрешением облаков: По сравнению с глобальной моделью с разрешением облаков X-SHiELD, NeuralGCM имеет меньшие отклонения в осаждаемой воде и более низкие температурные отклонения в тропических регионах.

Моделирование тропических циклонов:

Траектории и количество: Даже при грубом разрешении 1.4°, NeuralGCM может производить траектории и количество тропических циклонов, подобные ERA5, в то время как глобальная модель с разрешением облаков X-SHiELD недооценивает количество тропических циклонов при разрешении 1.4°.

Моделирование исторических температурных трендов:

Симуляция AMIP: NeuralGCM-2.8° провела 40-летнюю симуляцию AMIP. Результаты показывают, что все симуляции точно улавливают тренд глобального потепления, наблюдаемый в данных ERA5, а межгодовые температурные тренды имеют сильную корреляцию с данными ERA5, что указывает на то, что NeuralGCM может эффективно моделировать влияние форсинга температуры моря на климат.
Сравнение с моделями CMIP6: По сравнению с моделями CMIP6 AMIP, NeuralGCM-2.8° имеет меньшие температурные отклонения в период 1981-2014 годов, даже после удаления глобального температурного отклонения моделей CMIP6 AMIP.

Хотя NeuralGCM демонстрирует мощные возможности в прогнозировании погоды и климата, она все еще имеет некоторые ограничения:

Ограниченная способность прогнозировать будущий климат: NeuralGCM в настоящее время не может прогнозировать будущие климаты, которые значительно отличаются от исторических климатов. Когда температура поверхности моря (SST) значительно увеличивается (например, +4K), реакция NeuralGCM не соответствует ожиданиям и происходит климатический дрейф.
Недостаточная способность моделировать ненаблюдаемые климаты: Как и другие модели климата на основе машинного обучения, NeuralGCM также сталкивается с проблемами при моделировании ненаблюдаемых климатов, таких как будущие климаты или климаты, которые значительно отличаются от исторических данных. Это требует от моделей более сильных способностей к обобщению и более продвинутых стратегий обучения, таких как состязательное обучение или мета-обучение.
Проблемы физических ограничений и численной стабильности: Например, спектральное распределение NeuralGCM все еще более размыто, чем физические прогнозы ECMWF, и все еще существуют некоторые проблемы с численной стабильностью при моделировании экстремальных погодных явлений.