Im KI-Zeitalter holen rein datengesteuerte Meteorologie- und Klimamodelle allmählich zu traditionellen numerischen Modellen auf und übertreffen diese sogar. Bei aktuellen Deep-Learning-Modellen bestehen jedoch nach wie vor erhebliche Herausforderungen, wie z. B. eine geringe physikalische Konsistenz und eine suboptimale Vorhersage abweichender Winde.
Diese Einschränkungen behindern die Vorhersagefähigkeiten für komplexe Wetter- und Klimaphänomene, einschließlich Niederschläge. Ein vielversprechender Ansatz zur Bewältigung dieser Herausforderungen besteht in der Kombination von physikalischen, atmosphärischen Dynamik- und Deep-Learning-Modellen.
Ein Forschungsteam unter der Leitung von Prof. Huang Gang vom Institut für Atmosphärenphysik (IAP) der Chinesischen Akademie der Wissenschaften hat mit einem neuartigen Ansatz Fortschritte bei der Verbesserung der Niederschlagsvorhersage gemacht.
Das Team nutzte EarthLab – eine neue numerische Simulationsanlage für Erdsystemwissenschaften, die von IAP entwickelt wurde – und nutzte Daten und Rechenleistung, um die Fähigkeiten numerischer Modelle zur Niederschlagsvorhersage zu verbessern.
Sie konzentrierten sich auf die Kopplung physikalischer Variablen durch graphische neuronale Netze (GNN), um physikalische Einschränkungen einzuführen und die Genauigkeit von Niederschlagsvorhersagen zu verbessern. Die Forschungsergebnisse wurden kürzlich veröffentlicht veröffentlicht im Tagebuch Geophysikalische Forschungsbriefe.
Um die Schwierigkeiten bei der Niederschlagsvorhersage, insbesondere bei Starkregenereignissen, anzugehen, untersuchte das Team zunächst die Einflussfaktoren und Mechanismen hinter Niederschlägen. Sie nutzten die Omega-Gleichung und die Wasserdampfgleichung zur Variablenauswahl und erstellten einen Variablenkopplungsgraphen. Die Omega- und Wasserdampfgleichungen beschreiben vertikale Bewegung und Wasserdampfänderungen, beides kritische Faktoren, die den Niederschlag beeinflussen.
Das Graphennetzwerk abstrahierte diese Gleichungen in eine Netzwerkstruktur, die die nichtlinearen Kombinationen grundlegender physikalischer Größen und die Beziehungen zwischen wichtigen Niederschlagsfaktoren darstellt.
Unter Berücksichtigung der Auswirkungen von Klimafaktoren auf Wetterskalen, insbesondere systematischer Unterschiede bei Modellfehlern unter verschiedenen Klimahintergründen, wurden in die Studie spärliche Daten wie Saisonalität, El Niño Southern Oscillation (ENSO) und Initialisierungszeit einbezogen und mithilfe von Entity-Einbettungstechniken kalibriert Modell.
Darüber hinaus lokalisierte das Forschungsteam das graphische neuronale Netzwerk ChebNet für Niederschläge, wobei seine Wirksamkeit erhalten blieb und gleichzeitig die Rechenkomplexität durch die Vermeidung globaler Operationen deutlich reduziert wurde.
Die Vergleichsergebnisse der vorgeschlagenen Modelle Omega-GNN und Omega-EGNN mit numerischen Modellen zeigten eine deutliche Verbesserung der Fähigkeiten zur Niederschlagsvorhersage in verschiedenen Kategorien. Die Leistung dieser Modelle übertraf die gängiger physikunabhängiger Deep-Learning-Modelle, wie z U-NET Und 3D-CNN.
Darüber hinaus demonstrierte die Ensemble-Vorhersage, die durch 10 Störungen aller Deep-Learning-Modelle erreicht wurde, die überlegene Konsistenz und Prognosefähigkeit der physikbeschränkten Omega-GNN- und Omega-EGNN-Modelle, insbesondere für Starkregenereignisse.
„Wir haben umfangreiches Fachwissen in der Klimadynamik gesammelt und in den letzten Jahren nach Möglichkeiten gesucht, Wetter- und Klimavorhersagen mithilfe von KI zu verbessern, und bei entsprechenden Wettbewerben Auszeichnungen erhalten. Im KI-Zeitalter ist die Integration der Physik mit verschiedenen Ansätzen eine große Herausforderung.“ und Perspektiven.
„Unser Team hat, gestützt auf atmosphärische und klimadynamische Überlegungen, mit der Anwendung weicher Einschränkungen auf Modelle aus der Perspektive der physikalischen Kopplung experimentiert, mit dem Ziel, inkrementelle Informationen zu relevanten Feldern beizutragen“, sagte Prof. Huang Gang, der korrespondierende Autor des Papiers.
Mehr Informationen:
Yutong Chen et al., Kopplung physikalischer Faktoren für die Niederschlagsvorhersage in China mit einem graphischen neuronalen Netzwerk, Geophysikalische Forschungsbriefe (2024). DOI: 10.1029/2023GL106676