Nature 子刊丨使用深度学习可以从稀疏数据中重建真实的热带气旋风场和压力场

最新推荐文章于 2024-09-13 10:27:31 发布

周yyyyyyyyyy

最新推荐文章于 2024-09-13 10:27:31 发布

阅读量762

点赞数 27

分类专栏：文献分享文章标签：深度学习人工智能

本文链接：https://blog.csdn.net/weixin_43202974/article/details/138997793

版权

文献分享专栏收录该内容

7 篇文章 0 订阅

订阅专栏

Nature 子刊丨使用深度学习可以从稀疏数据中重建真实的热带气旋风场和压力场

作者：Ryan Eusebi , Gabriel A. Vecchi , Ching-Yao Lai & Mingjing Tong

单位：普林斯顿大学

01 摘要

热带气旋造成了大规模的生命和财产损失，促使人们进行准确的风险评估和预测。这些目标需要对风暴的风场和压力场进行准确的重建，以吸收实时观测，但目前用于这些重建的方法在计算上仍然昂贵且有限。在这里，我们表明，基于物理的神经网络可以是一种很有前途的、计算高效的热带气旋数据同化算法。使用从预测模型中模拟的飓风中稀疏采样的合成训练数据，基于物理的神经网络能够重建完整的真实的2维和3维风场和压力场，这些风场和气压场捕捉到气旋的关键特征。我们还展示了如何使用一组稀疏的实时观测来准确重建飓风艾达。我们的研究结果强调了深度学习的最新进展如何增强数据同化方案。这些方法也是通用的，可以应用于其他流动问题。

02 图表简介

图：一般PINN结构和训练数据的说明

图：用SHiELD模拟数据训练的二维PINN风速预测。

图：用SHiELD模拟数据训练的三维PINN风速预测

图：结合真实的飓风猎人观测和SHiELD预测数据训练的PINN输出

03 结论

这项理想化的研究提供了一个概念证明，即PINN可以用于使用稀疏观测和一组简化的控制方程来重建TC涡旋。据我们所知，这项研究也是第一次证明PINN可以用于从真实世界的观测中重建大规模气流。我们证明了2D和3D TC涡旋可以使用真实和最小的观测值重建，我们还证明了PINN可以使用人工采样的模型输出与实时观测值的组合来重建真实TC的完整3D结构。我们描述了对提高PINN性能至关重要的实现细节，例如在最强风附近使用更少的配置点和更多的数据点，并根据风速大小在成本函数中加权数据点。我们产生的PINN输出缺乏真实TC的精细尺度结构和特征，但它们很好地恢复了风暴的关键大尺度特征，包括径向风廓线和最大风的位置。然而，PINN确实很难恢复风暴中的最高风力。尽管如此，一般来说，更准确地重建风暴的大规模流量可以改善预测模型的轨迹和强度误差，下一个重要步骤是将PINN重建作为预测模型（如T-SHiELD）的初始条件进行测试，并评估其如何影响轨迹和强度预测。PINN还可用于风暴潮预报、风险评估或其他应用。

本研究中的PINN使用的计算资源（1个GPU核对128个CPU核）比用于预测模型（如HAFS模型）的既定DA方法少几个数量级。这在一定程度上是因为PINN不依赖于集成方法来生成初始条件。PINN训练时间与所使用的观测值的数量成正比（补充表2），并且对这些数据点的位置和数量是稳健的。与传统方法不同，PINN不依赖于初始的最佳猜测旋涡，它从中同化观测结果。虽然我们确实利用了T-SHIELD输出的初始涡流，但有足够的观测结果（如TDR或卫星数据），就不需要初始涡流。此外，PINN本质上是一个连续的可微函数，因此输出可以在训练域内的空间或时间的任何点上任意生成。

我们强调，作为一个DA系统，这里提出的PINN需要做更多的工作才能成为预测模型中的功能系统。首先，需要将湿度和温度等其他字段变量纳入PINN输出中。这还需要更新/修改模型在训练期间使用的物理方程系统。值得注意的是，PINN方程可以而且应该专门针对其配对的预测模型进行定制，因此PINN重建的物理性质与预测模型的物理性质相匹配。还需要做更多的工作来更好地理解用于重建整个3D场的最佳网络结构、数据和配置点的数量。PINN是物理学知识ML的一个令人兴奋的分支，在许多研究中已被证明是重建流体流动的强大工具。本文为越来越多的潜在应用做出了贡献，并为现有的DA方法提供了一种很有前途的替代或补充，可以在未来几十年改进预测和其他应用。

04 参考文献

Eusebi R, Vecchi G A, Lai C Y, et al. Realistic tropical cyclone wind and pressure fields can be reconstructed from sparse data using deep learning[J]. Communications Earth & Environment, 2024, 5(1): 8.