Kochkov, D., Yuval, J., Langmore, I. et al. Neural general circulation models for weather and climate. Nature (2024). https://www.nature.com/articles/s41586-024-07744-y.pdf – open access article pdf
Abstract (povzetek):
Modeli splošne cirkulacije (GCM) so temelj napovedovanja vremena in podnebja. GCM so na fiziki temelječi simulatorji, ki združujejo numerično reševanje za dinamiko velikega obsega z uglašenimi predstavitvami za procese majhnega obsega, kot je nastajanje oblakov. V zadnjem času so modeli strojnega učenja, usposobljeni na podatkih ponovne analize, dosegli primerljive ali boljše sposobnosti kot modeli GCM za deterministično napovedovanje vremena. Vendar pa ti modeli niso pokazali izboljšanih napovedi ansamblov ali zadostne stabilnosti za dolgoročne simulacije vremena in podnebja. Tu predstavljamo GCM, ki združuje diferencialni reševalnik (solver) za atmosfersko dinamiko s komponentami strojnega učenja, in pokažemo, da lahko ustvari napovedi determinističnega vremena, vremena v ansamblu in podnebja na ravni najboljših metod strojnega učenja in fizikalnih metod. NeuralGCM je konkurenčen modelom strojnega učenja za napovedi za obdobje od enega do desetih dni in ansambelski napovedi Evropskega centra za srednjeročne vremenske napovedi (ECMWF) za napovedi za obdobje od enega do petnajstih dni. S predpisano temperaturo morske površine lahko NeuralGCM natančno spremlja podnebne metrike za več desetletij, podnebne napovedi s 140-kilometrsko ločljivostjo pa kažejo nastajajoče pojave, kot so realistična pogostost in trajektorije tropskih ciklonov. Tako za vreme kot za podnebje ta pristop omogoča za več velikostnih razredov velik računski prihranek v primerjavi s konvencionalnimi GCM, čeprav model NeuralGCM ne omogoča ekstrapolacije na bistveno drugačno podnebje v prihodnosti. Naši rezultati kažejo, da je celovito globoko učenje združljivo z nalogami, ki jih opravljajo konvencionalni GCM, in lahko izboljša obsežne fizikalne simulacije, ki so bistvene za razumevanje in napovedovanje zemeljskega sistema.
a) – Splošna struktura modela, ki prikazuje, kako so sile Ft, šum zt (za stohastične modele) in vhodi yt kodirani v stanje modela xt. Stanje modela se vnese v dinamično jedro, skupaj z vzgibi in šumom pa v modul naučene fizike. To ustvari težnje (stopnje sprememb), ki jih uporablja implicitno-eksplicitni reševalnik navadne diferencialne enačbe (ODE) za časovno napredovanje stanja. Novo stanje modela xt+1 se lahko nato prenese nazaj v drug časovni korak ali dekodira v napovedi modela.
b) – Modul naučene fizike, ki podatke za posamezne stolpce atmosfere posreduje v nevronsko mrežo, ki se uporablja za ustvarjanje fizikalnih tendenc v tem navpičnem stolpcu.
(vir: https://media.springernature.com/full/springer-static/image/art%3A10.1038%2Fs41586-024-07744-y/MediaObjects/41586_2024_7744_Fig1_HTML.png?as=webp).
