Столкнувшись с учащением экстремальных погодных явлений, исследователи ищут новые подходы к прогнозированию. Традиционные модели погоды работают на мощных суперкомпьютерах, но искусственный интеллект (ИИ) предлагает более дешёвые и быстрые альтернативы. Однако большинство моделей на базе ИИ могут точно предсказывать погоду лишь на 10 дней вперёд.
Новое исследование
В новом исследовании, опубликованном в AGU Advances, учёные из Вашингтонского университета использовали ИИ для симуляции текущего климата Земли и его межгодовой изменчивости на срок до 1000 лет. Модель работает на одном процессоре и генерирует прогноз всего за 12 часов. Для сравнения, на современном суперкомпьютере такая же симуляция заняла бы около 90 дней.
«Мы разрабатываем инструмент, который исследует изменчивость в нашем текущем климате, чтобы помочь ответить на этот вопрос: является ли данное событие чем-то, что происходит естественным образом, или нет?» — сказал Дейл Дурран, профессор атмосферных и климатических наук в Вашингтонском университете.
Преодоление барьеров
Группа Дуррана внесла вклад в прогнозирование, создав модель глубокого обучения для системы Земли (DLESyM), которая изначально была обучена для однодневных прогнозов, но научилась улавливать сезонную изменчивость. Модель объединяет две нейронные сети: одна представляет атмосферу, а другая — океан.
«Мы были первыми, кто применил этот фреймворк к ИИ, и обнаружили, что он работает очень хорошо», — сказал ведущий автор Натаниэль Крессвелл-Клей, аспирант Вашингтонского университета в области атмосферных и климатических наук. «Мы представляем эту модель как инструмент, который бросает вызов многим существующим предположениям об ИИ в климатологии».
Результаты
Исследователи продемонстрировали эффективность модели, сравнив её прогнозы прошлых событий с прогнозами четырёх ведущих моделей шестого этапа Проекта по сравнению связанных моделей (CMIP6), все из которых работают на суперкомпьютерах.
DLESyM моделировала тропические циклоны и сезонный цикл индийского летнего муссона лучше, чем модели CMIP6. В средних широтах DLESyM улавливала месячную и межгодовую изменчивость погодных условий как минимум так же хорошо, как модели CMIP6.
Например, модель улавливала атмосферные «блокирующие» события так же хорошо, как и ведущие модели, основанные на физике. Блокировка относится к формированию атмосферных гребней, которые удерживают регионы горячими и сухими, а другие — холодными или влажными, отклоняя поступающие погодные системы.
«Многие существующие климатические модели на самом деле не очень хорошо улавливают эту закономерность», — сказал Крессвелл-Клей. «Качество наших результатов подтверждает нашу модель и повышает наше доверие к её будущим прогнозам».
Ни модели CMIP6, ни DLESyM не являются на 100% точными, но тот факт, что подход на основе ИИ оказался конкурентоспособным при использовании гораздо меньших вычислительных мощностей, имеет большое значение.
«У модели не только гораздо меньший углеродный след, но и любой желающий может скачать её с нашего сайта и провести сложные эксперименты, даже если у него нет доступа к суперкомпьютеру», — сказал Дурран. «Это делает технологию доступной для многих других исследователей».
Предоставлено Вашингтонским университетом