找回密码
 立即注册
搜索

机器学习助力预测全球变暖趋势:30秒完成22天大气模拟

人类刚刚经历有记录以来最热的一天。

据欧盟气候监测机构哥白尼气候变化服务局当地时间7月23日发布的报告,全球21日地表平均气温达17.09摄氏度,创有记录以来新高。全球变暖趋势使得热浪、干旱等极端天气和气候灾害频发,对人类社会和生态系统造成的灾难性影响。及时、准确的天气预测和气候模拟显得尤为重要。

近期,Google Research研究团队及其合作者研发出可预测天气和气候变化的人工智能(AI)模型NeuralGCM。该模型是世界上第一个基于机器学习的大气环流模型,与现有工具相比,预测速度更快,能耗更低,且可以比传统模型节省数量级的计算量。相关成果于7月22日在权威科学期刊《自然》发表,并登上《自然》官网的首页。

NeuralGCM模型将传统基于物理的大气动力学可微分求解器的各个方面与AI组件相结合,能进行中短期天气预报以及未来几十年的气候模拟。

大气环流模型(GCM,General Circulation Models)是基于物理的模拟器,将大尺度动力学的数值求解器与云形成等小尺度过程的调整表现相结合,是天气和气候预测的基础。

在NeuralGCM之前,基于再分析数据训练的机器学习模型在确定性天气预报方面已经取得了与传统大气环流模型相当或更好的技能,然而,这些模型未对天气、气候的集合预报方法进行改进,也未展现出进行长期天气和气候模拟的足够稳定性。

NeuralGCM的两个关键组件是用于求解离散化控制动力学方程的可微分动力学核心,以及使用神经网络参数化物理过程的学习物理模块。动力学核心用来模拟大规模流体运动和热力学影响下的重力和科里奥利力;学习的物理模块使用神经网络预测未解决的过程,如云的形成、辐射传输、降水和次网格尺度的动力学对模拟场的影响。



NeuralGCM 模型结构。NeuralGCM 结合了传统的流体动力学求解器和用于小尺度物理的神经网络。这些组件由微分方程求解器组合而成,在时间上依次向前推进系统。图片来自谷歌研究

NeuralGCM的气候模拟准确率与最好的机器学习和物理方法相当。该模型对1-15天预报的准确率能媲美欧洲中期天气预报中心(ECMWF,最好的传统物理天气模型之一)的预测结果。对于最多提前10天的预报,NeuralGCM的准确率与现有机器学习技术不相上下,有时甚至更好。

NeuralGCM同时具有准确的气候预测能力。当在NeuralGCM的40年气候预测中加入海平面温度后,研究者发现模型给出的结果与从欧洲中期天气预报中心数据中发现的全球变暖趋势一致。此外,NeuralGCM在预测龙卷风及其轨迹方面也超过了已有的气候模型。



NeuralGCM 在十年时间尺度上的准确性和捕捉全球变暖的能力。NeuralGCM 和 AMIP 在预测 1980 年至 2020 年全球平均气温方面的表现比较。图片来自谷歌研究

此外,与传统大气环流模型相比,NeuralGCM在同等预测精确度的情况下,计算速度遥遥领先。NeuralGCM可以在 30 秒计算时间内生成 22.8 天大气模拟,比传统模型节省3到5个数量级的计算资源。随着数值方法和机器学习架构的迭代,NeuralGCM预测天气、气候的准确性还存在很大的提升空间。

在全球气候变暖的背景下,NeuralGCM对于帮助人类更好地理解和预测全球气候变化具有重要作用。“NeuralGCM是我们了解和适应气候变化的一个途径。我们希望将这一成就与全世界的人们分享,来共同应对气候变化。”论文作者之一、谷歌研究院高级工程师Stephan Hoyer博士在接受谷歌研究采访时表示。他补充说,该团队希望将地球科学的更多方面纳入未来的版本中,以进一步提高模型的准确性。

本帖子中包含更多资源

您需要 登录 才可以下载或查看,没有账号?立即注册

x
回复

使用道具 举报

高级模式
B Color Image Link Quote Code Smilies