Долгосрочное прогнозирование погоды — сложная задача, отчасти из-за хаотичности погодных систем. Хотя математические уравнения могут приблизительно описать физические процессы, лежащие в основе погоды, крошечные неточности, которые экспоненциально возрастают по мере продвижения модели во времени, ограничивают большинство физических прогнозов двумя неделями или меньше.
Параметры и их роль
В уравнениях, описывающих погоду, важную роль играют оценочные значения, называемые параметрами. Они используются для представления эффектов конкретных физических процессов. Параметры определяются на основе физических данных и влияют на результаты моделирования, например, умножая или придавая разный вес измерениям температуры, ветра или другим факторам.
Модели на основе искусственного интеллекта
В последние годы модели на основе искусственного интеллекта (ИИ), такие как GraphCast и FourCastNet, изменили прогнозирование погоды благодаря своей способности учиться на больших объёмах данных и выдавать высокоточные прогнозы. Однако модели ИИ обычно содержат от десятков миллионов до сотен миллионов параметров, которые не всегда напрямую связаны с физическими процессами. Из-за этого такие модели ИИ вносят лишь ограниченный вклад в научное понимание погоды.
Слабая форма научного машинного обучения (WSciML)
Minor и другие исследователи преодолевают это ограничение, демонстрируя возможности алгоритма WSciML, известного как Weak form Sparse Identification of Nonlinear Dynamics (WSINDy). Как и другие методы ИИ, WSINDy обучается на данных. Но вместо использования высокопараметризованного подхода он обнаруживает математические уравнения, которые представляют сложные физические процессы в реальном мире, например, взаимодействие давления воздуха, плотности и завихренности для определения скорости и направления ветра.
Применение WSINDy
Исследователи применили WSINDy как к моделируемым, так и к реальным данным о турбулентной атмосферной жидкости, включая измерения температуры, давления и скорости ветра. WSINDy использовал искусственные данные для идентификации известных уравнений из моделирования. Что особенно важно, WSINDy также смог успешно определить основные уравнения известной атмосферной физики из набора глобальных данных, объединяющих реальные наблюдения за погодой.
Результаты и перспективы
Эти результаты показывают, что WSINDy может не только помочь в прогнозировании погоды, но и способствовать открытию новых физических закономерностей. Исследователи отмечают, что WSINDy особенно хорошо подходит для работы с данными, имеющими высокий уровень шума наблюдений.
Однако потребуется дополнительная работа для уточнения WSINDy, чтобы он мог более точно идентифицировать некоторые известные атмосферные уравнения, такие как реалистичные модели атмосферного ветра. Алгоритм также изучается для применения в широком спектре других научных областей, включая необъяснённые явления в термоядерном синтезе, поведение популяций, приводящее к эпидемиям, и взаимодействие клеток, которое приводит к коллективному движению при заживлении ран.
(Journal of Geophysical Research: Machine Learning and Computation, https://doi.org/10.1029/2025JH000602, 2025)
— Сара Стэнли, научный писатель