Мы представляем новый метод, который сочетает в себе основанное на физических принципах климатическое моделирование с искусственным интеллектом для создания подробных оценок региональных экологических рисков. Такой подход позволяет проводить более всестороннюю оценку неопределенностей в будущих экологических прогнозах, чем существующие методы.
Быстрые ссылки
- Бумага
- Делиться
Модели земной системы представляют собой наш лучший инструмент для прогнозирования и подготовки к будущим изменениям окружающей среды Земли. Однако огромные вычислительные затраты на запуск этих моделей с высоким разрешением ограничивают их возможности в создании региональных прогнозов в мельчайших масштабах. Действительно, типичный предельный масштаб для этих моделей сопоставим по размеру с островом Гавайи (~100 км). Получение более детализированных прогнозов, например, на уровне города (~10 км), имеет решающее значение для планирования всего, от стратегий ведения сельского хозяйства и управления водными ресурсами до защиты населенных пунктов от наводнений, аномальной жары и лесных пожаров.
Для удовлетворения этой потребности мы рады объявить о новом методе генеративного искусственного интеллекта, который устраняет разрыв в разрешении между моделями земной системы и потребностями конечных пользователей. В статье, опубликованной в журнале Proceedings of the National Academy of Sciences , мы представляем метод динамического генеративного масштабирования, который применяет вероятностные диффузионные модели — мощный класс генеративного искусственного интеллекта, способный изучать сложные распределения данных, — к результатам хорошо зарекомендовавших себя физических моделей для преобразования глобальных климатических прогнозов в локальные (~10 км) оценки текущего и будущего экологического риска. Динамическое генеративное масштабирование позволяет получать подробные локальные оценки экологического риска с минимальными затратами по сравнению с существующими передовыми методами, которые слишком затратны с точки зрения вычислительных ресурсов для применения к огромному объему данных климатических прогнозов, доступных в настоящее время.
От глобальных прогнозов до региональных экологических рисков
Для регистрации локальных изменений условий окружающей среды с разрешением 10 км и выше ученые обычно используют метод, называемый «динамическим масштабированием». Он включает в себя использование грубой информации из глобальных моделей земной системы и проведение гораздо более детализированных моделирований с помощью региональных климатических моделей (РКМ) на определенной территории. Представьте это как использование увеличительного стекла на глобальной карте.
Методы уменьшения масштаба повышают разрешение климатических прогнозов для ограниченных областей Земли. Это позволяет нам понять влияние топографии и региональных процессов на экстремальные погодные явления. Визуализация выполнена с помощью Imagen 3 .
Хотя динамическое масштабирование обеспечивает наиболее физически реалистичные локальные прогнозы, у него есть существенный недостаток: оно требует значительных вычислительных ресурсов. Для проведения таких подробных симуляций необходимы значительные вычислительные мощности, что делает нецелесообразным масштабирование множества различных климатических прогнозов, необходимых для полного охвата всего спектра возможных будущих условий окружающей среды. Существуют более быстрые статистические методы масштабирования, но они часто с трудом точно воспроизводят сложные локальные погодные условия (особенно экстремальные явления) или надежно обобщают результаты на будущие условия, для которых они не были предназначены.
Более эффективный подход: физика и генеративный искусственный интеллект.
Вместо этого мы предлагаем объединить физический реализм динамического масштабирования с скоростью и возможностями распознавания образов искусственного интеллекта. Процесс динамически-генеративного масштабирования работает в два этапа:
- Первый этап, основанный на физических принципах: сначала региональная климатическая модель масштабирует глобальные данные о системе Земли, но только до промежуточного и все еще грубого разрешения (например, 50 км). Этот шаг значительно дешевле с вычислительной точки зрения, чем переход сразу к очень высокому разрешению, но, что крайне важно, он преобразует различные результаты разных глобальных моделей в общую сетку и физическое представление Земли. Этот процесс создает основу для эффективного обучения систем искусственного интеллекта.
- Искусственный интеллект добавляет мельчайшие детали: Далее в дело вступает недавно разработанная генеративная система ИИ, модель регионального остаточного диффузионного масштабирования (R2D2). Обученная на примерах высокоточных метеорологических данных, R2D2 учится добавлять реалистичные детали мелкого масштаба (например, влияние сложного рельефа) к выходным данным промежуточного разрешения, эффективно доводя их до целевого высокого разрешения (обычно менее 10 км). Модель фокусируется на изучении разницы, или «остатка», между полями промежуточного и высокого разрешения, что упрощает задачу обучения и улучшает обобщение на неизвестные условия окружающей среды.
Динамически-генеративное масштабирование позволяет извлекать региональную климатическую информацию из моделей земной системы в два этапа. Региональная климатическая модель (РКМ) обеспечивает первый этап, основанный на физических принципах, а генеративный искусственный интеллект добавляет более детальную информацию.
Этот гибридный подход использует сильные стороны обоих методов: региональная климатическая модель (RCM) обеспечивает физически обоснованную базу и обрабатывает разнообразие глобальных моделей, в то время как искусственный интеллект (AI) превосходно справляется с эффективным созданием высокоточных данных и отражением всего спектра региональных условий окружающей среды. Важно отметить, что модели R2D2 достаточно обучающих данных только из одной динамически масштабированной модели земной системы, чтобы научиться эффективно масштабировать выходные данные, полученные из разных моделей земной системы. Это позволяет нашей модели амортизировать затраты на обучение при применении к большим ансамблям климатических прогнозов.
Эффективные и надежные региональные климатические прогнозы
Мы обучили и оценили нашу модель, используя динамически масштабированный набор данных по западной части Соединенных Штатов (WUS-D3). WUS-D3 содержит ансамбль региональных климатических прогнозов для западной части Соединенных Штатов, масштабированных до разрешения 9 км с использованием «золотого стандарта», но дорогостоящей модели динамического масштабирования WRF. Мы обучили нашу модель на одном климатическом прогнозе из WUS-D3 и оценили ее эффективность, масштабировав еще 7 климатических прогнозов из ансамбля WUS-D3. Мы сравнили результаты с вычислительно затратным динамическим масштабированием, нашим целевым показателем, и двумя популярными статистическими методами масштабирования: BCSD и STAR-ESDM. Результаты оказались убедительными:
- Повышенная точность: Динамическое генеративное масштабирование уменьшает ошибки мелкого масштаба более чем на 40% по сравнению со статистическими методами для различных метеорологических переменных, таких как температура, осадки, относительная влажность и скорость ветра, измеряемые с помощью непрерывной ранжированной вероятностной оценки (CRPS). Оно также эффективно корректирует систематические ошибки в климатических моделях с низким разрешением, что имеет решающее значение для точной оценки экологических рисков прибрежных и горных регионов.
- Реалистичные погодные условия: результаты, полученные с помощью ИИ, отражают реалистичные пространственные закономерности, корреляции между различными погодными переменными (такими как скорость и направление ветра, а также температура и влажность) и, что немаловажно, вероятность возникновения экстремальных явлений (например, одновременной жары и засухи). Выявление пространственных закономерностей и корреляций важно для последующих применений в гидрологии, прогнозировании энергоснабжения или оценке рисков стихийных бедствий.
- Более точные оценки неопределенности: за счет уменьшения масштаба больших ансамблей климатических прогнозов наша модель обеспечивает более полное представление о диапазоне потенциальных будущих условий окружающей среды, чем это можно было бы достичь с помощью статистических методов или путем динамического уменьшения масштаба лишь меньшего подмножества моделей земной системы. Эта более высокая надежность имеет решающее значение для надежной оценки рисков. Например, динамическое генеративное уменьшение масштаба снижает ошибку в прогнозах экстремальной летней жары и зимних осадков более чем на 20% и 10% по сравнению с базовыми показателями, соответственно, измеренную по средней абсолютной ошибке в 99-м климатологическом процентиле.
- Учет региональных экстремальных явлений: Метод демонстрирует замечательную способность учитывать сложные экологические риски, обусловленные региональными явлениями, например, риск лесных пожаров из-за ветров Санта-Ана в Южной Калифорнии. Прогнозирование риска лесных пожаров требует точного выявления тонких корреляций между экстремальными значениями температуры, влажности и ветра. Методы статистического масштабирования, такие как BCSD и STAR-ESDM, испытывают трудности с выявлением детальных корреляций между метеорологическими полями, недооценивая риск одновременных опасностей.
Сравнение ошибок прогнозирования в мелком масштабе ( a – c ) и энергетических спектров ( d–f ) между нашей моделью (R2D2) и базовыми моделями статистического масштабирования (BCSD, STAR-ESDM) для ансамблевых прогнозов скорости ветра ( слева ), относительной влажности ( в центре ) и температуры ( справа ). Новый метод демонстрирует меньшую ошибку (CRPS) и более реалистичные погодные условия, что подтверждается выравниванием энергетических спектров R2D2 и целевого метода. На нижних панелях сравнивается ковариация жарких и сухих летних экстремумов ( g – i ) и экстремальных ветров осенью ( j–l ).
Модельные прогнозы риска лесных пожаров во время сильного ветра Санта-Ана в Южной Калифорнии при условиях окружающей среды, взятых из климатического прогноза на конец века. Риск лесных пожаров измеряется погодным компонентом Индекса угрозы лесных пожаров Санта-Ана . Динамически-генеративный подход ( a ) хорошо отражает риск лесных пожаров по сравнению с более дорогостоящим методом динамического масштабирования ( b ). Статистические методы масштабирования, такие как STAR-ESDM ( c ) и BCSD ( d ), часто с трудом улавливают величину и пространственную структуру таких комплексных рисков.
Почему этот прорыв важен
Динамически-генеративное масштабирование представляет собой значительный шаг на пути к получению всеобъемлющих прогнозов регионального климата на практически применимых масштабах менее 10 км. Оно делает масштабирование больших ансамблей моделей земной системы вычислительно осуществимым — по результатам нашего исследования, экономия вычислительных затрат для протестированного ансамбля из 8 моделей составляет 85%, и эта цифра будет расти для более крупных ансамблей. Быстрый и эффективный этап вывода данных с помощью ИИ аналогичен принципу работы моделей прогнозирования погоды SEEDS и GenCast от Google, что позволяет проводить тщательную оценку региональных экологических рисков.
Благодаря предоставлению более точных и вероятностно полных региональных климатических прогнозов при значительно меньших вычислительных затратах, динамическое генеративное масштабирование может существенно улучшить оценку экологических рисков. Это позволяет принимать более обоснованные решения в области адаптации и повышения устойчивости в таких важных секторах, как сельское хозяйство, управление водными ресурсами, энергетическая инфраструктура и готовность к стихийным бедствиям.
Благодарности
Мы хотели бы поблагодарить наших соавторов Чжун И Вана, Леонардо Зепеда-Нуньеса, Тапио Шнайдера, Джона Андерсона и Фэй Ша. Мы также хотели бы выразить признательность Стефану Хойеру, Лизао Ли, Алексу Холлу и Стефану Рахими за ценные комментарии к нашей работе.
Источник: research.google
