Anwendung physikalisch gekoppelter graphischer neuronaler Netze zur Verbesserung der Fähigkeiten zur Niederschlagsvorhersage am Institut für Atmosphärenphysik der Chinesischen Akademie der Wissenschaften

Herausgeber |. ScienceAI

Im Zeitalter der großen Modelle haben die Auswirkungen rein datengesteuerter Meteorologie- und Klimamodelle allmählich die numerischen Modelle eingeholt oder sogar übertroffen.

Allerdings weisen bestehende großmaßstäbliche Meteorologie- und Klimamodelle noch einige Probleme auf. Beispielsweise ist die physikalische Konsistenz im Modell nicht hoch genug, was die Fähigkeit zur Vorhersage komplexer Wetter- und Klimaphänomene wie Niederschläge einschränkt. Darüber hinaus ist der prognostizierte Effekt abweichender Winde nicht zufriedenstellend. Diese Probleme erfordern weitere Forschung und Verbesserung, um die Vorhersagegenauigkeit und Zuverlässigkeit des Modells zu verbessern.

Derzeit ist die Kombination von Physik, atmosphärischer Dynamik und Deep-Learning-Modellen ein wichtiger Weg, um das Engpassproblem zu lösen.

Kürzlich begann das Team des Forschers Huang Gang vom Institut für Atmosphärenphysik der Chinesischen Akademie der Wissenschaften, basierend auf der Daten- und Rechenleistungsunterstützung des Earth System Numerical Simulator(寰), aus der Perspektive der Kopplungsbeziehung von physikalischen Variablen und kombiniert mit dem graphischen neuronalen Netzwerk zur Durchführung einer physikalischen Softsimulation von Multivariablen-Beschränkungen, verbesserte die Niederschlagsvorhersagefähigkeiten numerischer Modelle und unternahm einige Versuche und Erkundungen bei der Integration von Physik und KI.

Die Forschung trug den Titel „Coupling Physical Factors for Precipitation Forecast in China With Graph Neural Network“ und wurde am 18. Januar in „Geophysical Research Letters“ veröffentlicht.

Link zum Papier: https://doi.org/10.1029/2023GL106676

Mit Blick auf die schwierigen Probleme der Niederschlagsvorhersage, insbesondere der Vorhersage von Starkniederschlägen, ging unser Team von den Einflussfaktoren und dem Entstehungsmechanismus von Niederschlägen aus. Führen Sie in Kombination mit der Omega-Gleichung, der Wasserdampfgleichung usw. ein Variablenscreening durch und erstellen Sie ein Variablenkopplungsgraphennetzwerk, um das Problem zu lösen.

Die Omega-Gleichung und die Wasserdampfgleichung beschreiben die vertikale Bewegung bzw. Wasserdampfänderungen, die beide wichtige Faktoren sind, die den Niederschlag beeinflussen. Aus Sicht des Graphennetzwerks spiegelt die oben genannte Gleichung die Beziehung zwischen der nichtlinearen Kombination grundlegender physikalischer Größen (Temperatur, Wind, Luftfeuchtigkeit usw.) und den Schlüsselelementen des Niederschlags wider. Daher kann sie in ein Graphennetzwerk abstrahiert werden Durch die Variablen zwischen dem Graphennetzwerk (Knoten) und die Beziehungen zwischen Variablen wird die Kombination und Kopplung verschiedener physikalischer Variablen dargestellt.

Gleichzeitig wurden in dieser Studie unter Berücksichtigung der Auswirkungen von Klimafaktoren auf Wetterskalen, insbesondere der systematischen Unterschiede bei Modellfehlern unter unterschiedlichen Klimahintergründen, Jahreszeiten, ENSO und andere Klimafaktoren sowie die Beginnzeit mithilfe von Entitäten eingebettet Einbettungstechnologie Kalibrieren Sie das Modell, um Fehler in verschiedenen Kontexten zu unterscheiden. Darüber hinaus hat diese Studie für den Niederschlagsprozess das graphische neuronale Netzwerk ChebNet lokal verbessert, sodass es den Effekt grundsätzlich aufrechterhalten und gleichzeitig globale Vorgänge vermeiden und die Rechenkomplexität erheblich reduzieren kann.

Abbildung 1: Schematische Darstellung des Omega-GNN-Modells. (Quelle: Papier)

Die Ergebnisse des Modellvergleichs zeigen, dass die beiden in dieser Studie vorgeschlagenen physikalisch eingeschränkten Modelle Omega-GNN und Omega-EGNN die Niederschlagsvorhersagefähigkeiten jeder Kategorie im Vergleich zum numerischen Modell erheblich verbessern und ihre Leistung besser ist als das aktuelle Mainstream-Modell. Physikalisch eingeschränkte Deep-Learning-Modelle (wie U-NET, 3D-CNN usw.).

Darüber hinaus führte die Studie zehn Sätze von Störungen bei allen Deep-Learning-Modellen durch, sodass sie Ensemble-Vorhersagen durchführen konnten. Durch die Kombination von Diagnose und Fallanalyse wird festgestellt, dass das Modell mit physikalischen Einschränkungen deutlich besser ist als das Modell ohne physikalische Einschränkungen. Bei der Vorhersage starker Niederschläge ist die Konsistenz zwischen dem Omega-GNN-Modell und dem Omega-EGNN-Modellensemble höher. und die Prognosefähigkeiten sind besser.

Abbildung 2: (a) TS-Werte für jedes Modell, (b-g) räumliche Verteilung der TS-Unterschiede relativ zu numerischen Modellen (20 mm/6 Stunden Niederschlag über dem Schwellenwert). (Quelle: Papier)

Forscher Huang Gang, der korrespondierende Autor des Papiers, sagte: „Unser Team hat viel in Richtung Klimadynamik angesammelt. In den letzten Jahren haben wir einige Versuche unternommen, KI zu nutzen, um das Wetter zu verbessern.“ Klimavorhersagen und die entsprechenden Ergebnisse haben viele relevante Wettbewerbe gewonnen. Im Zeitalter großer KI-Modelle gibt es viele Möglichkeiten und Ideen zur Integration Klimadynamik, um weiche Einschränkungen auf das Modell aus der Perspektive der physikalischen Kopplung anzuwenden, in der Hoffnung, einige inkrementelle Informationen für verwandte Bereiche bereitzustellen. „

Die Forschung wurde von den Masterstudenten Chen Yutong, Dr. Wang Ya und der Forscher Huang Gang vom Institut für Atmosphärenphysik der Chinesischen Akademie der Wissenschaften und dem Guangzhou Tropical Marine Meteorology Research Institute der China Meteorological Administration. Abgeschlossen in Zusammenarbeit mit Dr. Tsukuda Soda.

Referenzinhalt: https://iap.cas.cn/gb/xwdt/kyjz/202401/t20240119_6959543.html

Das obige ist der detaillierte Inhalt vonAnwendung physikalisch gekoppelter graphischer neuronaler Netze zur Verbesserung der Fähigkeiten zur Niederschlagsvorhersage am Institut für Atmosphärenphysik der Chinesischen Akademie der Wissenschaften. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!