NeuralGCM использует искусственный интеллект для более точного моделирования долгосрочных глобальных осадков.

NeuralGCM сочетает в себе физическое моделирование и нейронную сеть, обученную на данных наблюдений НАСА за осадками, для более точного моделирования глобальных осадков, чем другие методы, особенно в отношении учета суточного цикла осадков и экстремальных явлений.

Быстрые ссылки

• Бумага
• Библиотека NeuralGCM
• Модель осадков
• Делиться
  • Скопировать ссылку ×

Прогнозирование осадков остается одной из самых сложных задач для глобальных моделей погоды и климата. Это связано с тем, что точное место, время и количество осадков зависят от ряда событий, происходящих в масштабах, обычно меньших, чем разрешение модели. Моделирование осадков особенно сложно для экстремальных явлений и на протяжении длительных периодов времени. Будь то определение фермерами оптимального дня для посева семян или подготовка городских планировщиков к столетнему шторму, прогнозы осадков являются одними из самых важных для человечества.

В прошлом году мы представили нашу гибридную атмосферную модель с открытым исходным кодом NeuralGCM, которая сочетает машинное обучение (ML) и физику для быстрого, эффективного и точного моделирования глобальных атмосферных процессов. В статье 2024 года NeuralGCM сгенерировала более точные прогнозы погоды на 2–15 дней и воспроизвела исторические температуры за четыре десятилетия с большей точностью, чем традиционные атмосферные модели, что стало значительным шагом на пути к разработке более доступных климатических моделей.

В статье «Нейронные модели общей циркуляции для моделирования осадков», опубликованной в журнале Science Advances , мы описываем, как модель NeuralGCM была обучена на спутниковых данных об осадках для достижения улучшенных результатов моделирования осадков. Примечательно, что при текущем разрешении 280 км мы видим улучшения по сравнению с ведущей операционной моделью для среднесрочного прогнозирования погоды (до 15 дней) и атмосферными моделями, используемыми для многолетних климатических симуляций. Мы обнаружили, что NeuralGCM более точно воспроизводит средние значения осадков, экстремальные значения осадков — со значительными улучшениями для 0,1% самых сильных осадков — и суточный цикл погоды.

NeuralGCM является частью более масштабных усилий по развитию науки о погоде и климате в рамках Earth AI. Как гибридная модель, сочетающая физику и ИИ для решения долгосрочных задач, она дополняет другие модели погоды, использующие только ИИ, такие как недавно представленное обновление WeatherNext 2 от наших коллег из Google.

NeuralGCM использует гибридную структуру, которая сочетает в себе традиционный решатель задач гидродинамики ( серая сфера ) для крупномасштабных процессов с нейронными сетями искусственного интеллекта ( коробочка-мультфильм и зонтик ) для мелкомасштабных физических явлений, таких как облака, излучение и осадки.

Разнообразие и быстротечность облаков создают определенные трудности.

Для моделирования осадков нам необходимо обратиться к их источнику: облакам. Облака могут существовать в масштабах менее 100 метров, размером со спортивное поле — что значительно ниже разрешения глобальных моделей погоды в масштабе километров или разрешения глобальных климатических моделей в масштабе десятков километров. Облака бывают разных типов, быстро меняются, а сложные физические процессы, происходящие в еще меньших масштабах, могут приводить к образованию капель воды или кристаллов льда. Вся эта сложность не поддается моделированию в больших масштабах.

Для учета влияния мелкомасштабных атмосферных процессов, таких как образование облаков, на климат, модели используют приближения, называемые параметризациями, которые основаны на других переменных. Вместо того чтобы зависеть от этих параметризаций, NeuralGCM использует нейронную сеть для непосредственного изучения влияния таких мелкомасштабных событий на основе существующих метеорологических данных.

В этой версии нашей модели мы улучшили представление осадков, обучив часть NeuralGCM, отвечающую за машинное обучение, непосредственно на спутниковых данных об осадках. Первоначальная версия NeuralGCM, как и большинство моделей погоды, основанных на машинном обучении, обучалась на реконструкциях предыдущих атмосферных условий, то есть на реанализах, которые объединяют модели, основанные на физических принципах, с наблюдениями для заполнения пробелов в данных наблюдений. Но физика облаков настолько сложна, что даже реанализы с трудом правильно отображают осадки. Обучение на данных реанализов означает воспроизведение их недостатков, например, в отношении экстремальных значений осадков и суточного цикла.

Вместо этого мы обучили часть NeuralGCM, отвечающую за данные об осадках, непосредственно на основе спутниковых наблюдений НАСА за осадками за период с 2001 по 2018 год. Инфраструктура дифференциальной динамики NeuralGCM позволила нам обучить её на спутниковых данных. Предыдущие гибридные модели, сочетающие физику и ИИ, могли использовать только результаты высокоточных симуляций или данных реанализа. Обучая компонент ИИ NeuralGCM непосредственно на высококачественных спутниковых данных, а не полагаясь на данные реанализа, мы фактически находим более качественную, основанную на машинном обучении параметризацию осадков.

Глобальные модели погоды и климата делят Землю на сетку ячеек, простирающуюся на многие километры. Но осадки зависят от более мелких масштабов: молекулы воды, которые агрегируются вокруг частицы, образуя капли, которые конденсируются внутри облаков и в конечном итоге выпадают в осадок. Традиционные модели оценивают влияние мелкомасштабных процессов с помощью уравнений, основанных на других переменных (параметризациях). NeuralGCM, напротив, использует эти другие переменные с помощью модели машинного обучения, обученной непосредственно на спутниковых данных об осадках, чтобы лучше моделировать глобальные осадки.

Прогноз осадков на следующие 15 дней.

Мы оценили производительность NeuralGCM на двухнедельных прогнозах с использованием WeatherBench 2, сравнив её с ведущей физической моделью Европейского центра среднесрочных прогнозов погоды (ECMWF). В тестах с использованием прогнозов, начинающихся в полдень и полночь каждого дня 2020 года (данные не использовались во время обучения), NeuralGCM значительно превзошла модель ECMWF при низком разрешении по большинству усредненных показателей осадков. Это включало как 24-часовые, так и 6-часовые накопленные осадки за все 15 дней прогноза. Преимущество оставалось значительным на суше, которая имеет решающее значение для людей и экосистем.

На графике слева сравниваются прогнозы суммарного количества осадков за 24 часа, полученные с помощью NeuralGCM ( синяя линия ), и среднесрочный прогноз ECMWF ( оранжевая линия ). Эффективность прогноза оценивалась по сравнению с данными спутниковых наблюдений IMERG с использованием непрерывной ранжированной вероятностной оценки , показателя точности прогноза. NeuralGCM занимает более низкое место, что лучше, на протяжении всех 15 дней прогноза. На картах справа показано пространственное распределение этой оценки за два дня до прогноза.

Знание того, когда и где выпадут осадки, помогает сообществам справляться с наводнениями и засухами, наиболее эффективно использовать ирригационные ресурсы, планировать мероприятия и обеспечивать общественную безопасность. Хотя текущее разрешение NeuralGCM в 280 километров слишком низкое для оперативных прогнозов, эти результаты показывают, что существует потенциал для использования этой техники в меньших масштабах для улучшения инструментов, используемых для оперативных прогнозов.

Динамика выпадения осадков на протяжении многих лет и десятилетий.

В более длительных временных масштабах, от лет до десятилетий, понимание средних закономерностей выпадения осадков может помочь в борьбе с наводнениями, планировании сельскохозяйственных культур и управлении запасами питьевой воды. Учитывая разрешение NeuralGCM в 280 километров, наше текущее внимание распространяется на более крупные географические и временные масштабы. При сравнении многолетних запусков NeuralGCM с ведущими глобальными атмосферными моделями, используемыми для изучения климата, средняя ошибка NeuralGCM составила менее половины миллиметра в день. Это представляет собой среднее снижение ошибки на 40% по сравнению с ведущими инструментами, использованными в последнем докладе Межправительственной панели по изменению климата, при этом улучшение еще больше на суше.

Диаграмма размаха ( вверху ) показывает среднюю абсолютную ошибку в расчетах осадков для традиционных моделей в рамках проекта сравнения атмосферных моделей (Atmospheric Model Intercomparison Project) по сравнению с NeuralGCM, обученной на спутниковых данных об осадках. Ошибки измеряются в миллиметрах в день над сушей с 2002 по 2014 год по сравнению со спутниковыми данными об осадках IMERG . Средняя ошибка NeuralGCM ( оранжевая линия ) составила 0,3 миллиметра в день над сушей, что менее чем вдвое меньше, чем у ведущих инструментов. Карты показывают пространственное распределение погрешности расчета осадков для NeuralGCM и Community Earth System Model 2 .

NeuralGCM также продемонстрировала значительные улучшения в моделировании экстремальных осадков — 0,1% самых сильных осадков в данном месте. Экстремальные события сложнее всего воспроизвести, поскольку существует меньше примеров, а параметризации, используемые физическими моделями для оценки осадков, часто завышают показатели слабых осадков и занижают показатели сильных — это так называемая проблема мороси. NeuralGCM более точно отразила интенсивность осадков, особенно сильных, в моделировании с 2002 по 2014 год. Фиксация этих наиболее экстремальных и разрушительных осадков является важным шагом для приложений, начиная от климатологии и заканчивая общественной безопасностью.

На верхнем графике показаны показатели тропических осадков, достигавшие более 160 мм/день в период с 2002 по 2014 год. Модель NeuralGCM ( синий цвет ), обученная на спутниковых данных об осадках, точно соответствует наблюдаемой частоте дождевых событий из IMERG (пунктирная линия). Реанализ ERA5 ( оранжевый цвет ) и модель IPSL ( зеленый цвет ) переоценивают слабые осадки и недооценивают сильные. На картах показано смещение данных об осадках для самого дождливого дня года. Цвета на картах показывают, что NeuralGCM с меньшей вероятностью недооценивает ( розовый цвет ) или переоценивает ( зеленый цвет ) сильные осадки по сравнению с моделью IPSL.

Наконец, мы также рассмотрели, как выпадают осадки в течение одного дня в долгосрочных климатических моделях. Например, в тропических лесах Амазонки наблюдается очень сильный суточный цикл. Летом можно ожидать сильных дождей во второй половине дня. В то время как современные климатические модели, как правило, показывают выпадение осадков на несколько часов раньше, чем в реальном мире, NeuralGCM более точно воспроизводит время и количество пиковых суточных осадков, особенно над сушей и летом. Основное внимание уделяется осадкам над сушей, где суточный цикл сильнее и где традиционные модели испытывают трудности, а также летом, стандартному периоду оценки климатических данных из-за его выраженного суточного цикла. Точное определение времени выпадения осадков в течение дня имеет большое значение для экосистем, погодных систем и гидрологии в больших масштабах.

NeuralGCM лучше других инструментов воспроизводит время суток, когда выпадает наибольшее количество осадков, что показано здесь цветами на карте. Спутниковые наблюдения IMERG и NeuralGCM используют схожие цвета для обозначения времени пика осадков, часто в конце дня. В реанализе ERA5 и модели Лаборатории геофизической гидродинамики NOAA используются более светлые цвета, что означает, что пик осадков в этих моделях приходится на более раннее время суток, примерно на полдень или ранний полдень.

Взгляд в будущее

Мы считаем, что это шаг вперед в области крупномасштабных прогнозов и моделирования осадков, и у нас уже есть первые подтверждения в реальных условиях. В рамках партнерства между Чикагским университетом и Министерством сельского хозяйства и благосостояния фермеров Индии была проведена пилотная программа с использованием NeuralGCM для прогнозирования начала сезона муссонов на основе искусственного интеллекта. После тщательного тестирования команда выбрала NeuralGCM и еще одну модель и разработала инструмент прогнозирования, который был впервые развернут прошлым летом.

С момента внедрения NeuralGCM мы сделали весь код доступным в виде открытого исходного кода, на основе которого, как мы надеемся, люди смогут создавать свои собственные модели. Эта модель осадков также открыто предоставляется расширенному сообществу. В конечном итоге мы надеемся, что эти усилия приблизят нас на один шаг к точным долгосрочным прогнозам будущих осадков, особенно в условиях изменения климата.

Чтобы узнать больше о геопространственных платформах и работе Google в области искусственного интеллекта, ознакомьтесь с Google Earth, Earth Engine, AlphaEarth Foundations и Earth AI.

Благодарности

Мы хотели бы выразить благодарность команде NeuralGCM (Дмитрию Кочкову, Иану Лангмору и Стефану Хойеру). Спасибо также Ханне Хики и Элизе Клеман за помощь в подготовке этой статьи, а также Лиззи Дорфман, Майклу Бреннеру и Джону Платту за их поддержку и руководство.

Источник: research.google