气候预测+AI结合：NeuralGCM的革命性突破

最新推荐文章于 2024-04-08 15:24:42 发布

ClimAI 智慧气象

最新推荐文章于 2024-04-08 15:24:42 发布

阅读量834

点赞数 2

文章标签：人工智能大数据机器学习 python 算法

本文链接：https://blog.csdn.net/weixin_45768262/article/details/134745918

版权

前言：

传统的大气环流模型(General Circulation Models, GCMs)在过去几十年中一直是我们理解和预测地球气候系统的基石。然而，这些模型在模拟复杂的气候过程和极端天气事件方面仍存在局限性，这些局限性部分源于它们对小尺度过程的处理。近期，最新发表在arXiv的一项研究引发了广泛关注。研究团队推出了名为“Neural General Circulation Models（NeuralGCM）”的创新模型。它将传统的气候预测方法与最前沿的机器学习技术相结合，从而在准确性、效率和功能性方面实现了显著的提升。

摘要：

GCMs是天气和气候预测的基础。GCMs是基于物理的模拟器，它结合了数值大气动力学求解器和用于代表小尺度过程（如云形成）的经调谐方案。最近，针对再分析数据训练的机器学习 (ML) 模型在确定性天气预报方面实现了与GCMs相当或更好的技能。然而，这些模型尚未显示出改进的集合预报，也没有显示出在长期天气和气候模拟中足够的稳定性。在这里，我们提出了第一个将可微分的大气动力学求解器与ML组件相结合的GCMs，并展示了它可以生成与最佳ML和基于物理的方法相媲美的确定性天气、集合天气和气候预报。NeuralGCM在1-10天预报方面与ML模型具有竞争力，在1-15天预报方面与欧洲中期天气预报中心集合预报具有竞争力。在规定的海面温度下，NeuralGCM可以准确跟踪气候指标，例如全球平均温度，持续数十年，并且具有140公里分辨率的气候预测显示了新兴现象，例如热带气旋的真实频率和轨迹。对于天气和气候，我们的方法与传统GCMs相比提供了数量级的算力节省。我们的结果表明，端到端的深度学习与传统GCMs执行的任务兼容,并可以增强大尺度物理模拟,这对于理解和预测地球系统至关重要。

图1 NeuralGCM的示意图

NeuralGCM简介

NeuralGCM是地球大气的第一个完全可微分的混合通用环流模型。由两个主要部分组成：一个用于求解离散化动力学控制方程的可微分动力核心，以及一个利用神经网络对物理过程（如云形成、辐射传输和降水）进行参数化的学习物理模块。这些模块共同模拟了重力和科里奥利力影响下的大尺度流体运动和热力学。

此外，NeuralGCM采用单柱方法，即仅利用来自单个大气柱的信息来预测未解决过程的影响，使用全连接层构建的神经网络架构来处理输入的大气数据。模型还包括编码器和解码器组件，这些组件在不同坐标系统间进行数据转换，并通过引入基于神经网络的学习修正来提高预测准确性。

图2 确定性模型和随机模型的天气预报精度评分。

NeuralGCM研究结果：气候模拟的突破性进展

🔍 模型训练与结构：

多分辨率训练：NeuralGCM在2.8°, 1.4°, 0.7°三种水平分辨率上经过训练，每种配置均采用32个垂直层次，展现了模型在不同尺度上的适应性。
广泛应用范围：该模型不仅能够准确预测最长5天的天气，还能进行从几个月到几十年的气候模拟，覆盖了短期天气和长期气候变化的全方位模拟。

🎯 精度与物理一致性：

准确预测：NeuralGCM在天气预测方面与顶级的传统物理模型和最新的机器学习方法持平，显示了其技术的成熟度和可靠性。
集合预测优势：在集合预测中，该模型展现出较低的根均方误差和优异的集合均值预测能力，证明了其在处理不确定性方面的优势。

🌦️ 长期气候模拟：

季节性循环与关键现象：NeuralGCM在为期两年的模拟中准确捕捉了季节性循环和其他重要气象现象，如热带气旋和季风系统，显示出其对复杂气候动态的深刻理解。
与高精度模型的比较：与当前的全球云解析模型和AMIP项目模型相比，NeuralGCM展现出更小的偏差，特别是在模拟全球气候系统的精细结构方面。

🌀 水文循环与动力学：