La revue Nature, l'Institut de technologie de Shanghai, l'Université de Fudan et l'Administration météorologique de Chine développent un grand modèle d'IA sous-saisonnier « Fuxi » pour percer le « désert de la prévisibilité »

1. Éditeur|ScienceAI

2. Auteur | Équipe Fuxi

State Le Conseil Le « Plan pour un développement météorologique de haute qualité (2022-2035) » indique clairement qu'il est nécessaire de « prévoir les processus météorologiques majeurs un mois à l'avance », ce qui est indissociable de la technologie de prévision climatique sous-saisonnière de plus de 15 ans. jours.

Les prévisions climatiques sous-saisonnières se concentrent sur les anomalies climatiques dans les 15 à 60 prochains jours, ce qui peut apporter un soutien important aux arrangements de production dans les domaines de l'agriculture, de la conservation de l'eau, de l'énergie et d'autres domaines.

Par rapport aux prévisions météorologiques à court et moyen termes d'une période de validité inférieure à deux semaines, les prévisions climatiques infra-saisonnières présentent une plus grande incertitude. Il faut non seulement prendre en compte le problème de la valeur initiale, mais également prendre en compte l'impact du forçage des limites. Les sources de prédiction sont plus complexes et les compétences de prédiction sont moindres. Par conséquent, la prévision climatique sous-saisonnière a toujours été qualifiée de « désert de prévisibilité ».

En raison de sa complexité, même les performances des grands modèles d'IA sur des échelles de temps n'ont pas pu surpasser les modèles traditionnels pendant un certain temps. longue durée.

Afin de résoudre ce problème, l'Institut d'intelligence scientifique de Shanghai (appelé Institut Shangzhi), l'Université de Fudan et le Centre national du climat de l'Administration météorologique chinoise ont développé conjointement le sous-système « Fuxi ». modèle de prévision climatique saisonnière (FuXi-S2S), dépassant pour la première fois la référence des modèles de prévision numérique traditionnels - le modèle S2S du Centre européen pour les prévisions météorologiques à moyen terme (ECMWF).

Récemment, un article intitulé « Un modèle d'apprentissage automatique qui surpasse les modèles conventionnels de prévision sous-saisonnière mondiale » a été publié dans la revue internationale faisant autorité « Nature Communications ».

En tant que modèle d'apprentissage automatique, le modèle de prévision climatique sous-saisonnière « Fuxi » contient des variables relativement complètes :

1. 13 couches de pression de 5 variables atmosphériques en altitude
2. 11 variables au niveau du sol

est unique dans sa capacité à générer des prévisions d'ensemble de grande envergure rapidement et efficacement, en 7 secondes environ Global prévision moyenne quotidienne jusqu'à 42 jours.

Ces informations de prévision sont cruciales pour la planification agricole, la gestion des ressources, la préparation aux catastrophes et la protection contre les événements météorologiques extrêmes tels que les vagues de chaleur, les sécheresses, les vagues de froid et les inondations.

Le modèle de prévision climatique sous-saisonnière à grande échelle « Fuxi » a réalisé deux innovations technologiques clés :

1. a introduit le processus d'interaction air-mer, en particulier Intégrer l'oscillation intra-saisonnière atmosphérique tropicale (MJO), la source la plus importante de prévisibilité sous-saisonnière, dans le modèle
2. a conçu de manière innovante un module de génération de perturbations intelligent dans l'espace latent, afin qu'il puisse prédire le climat actuel ; état du système Cette méthode peut décrire les caractéristiques probabilistes de l'évolution du système climatique à une date de prévision future, capturant ainsi efficacement l'incertitude physique du système climatique.

Ces avancées technologiques ont considérablement amélioré la capacité de prévision globale des précipitations du modèle, en particulier dans les zones extratropicales telles que les cours moyen et inférieur du fleuve Yangtze en Chine.

Illustration : Vue d'ensemble de l'architecture des processus. (Source : Papier)

La MJO est un modèle de circulation atmosphérique périodique qui affecte les zones allant des tropiques aux latitudes moyennes à élevées. La prévision de la MJO peut aider les météorologues et les climatologues à comprendre et à prédire avec plus de précision les régimes de précipitations, l'activité des tempêtes, les changements de température et l'apparition d'événements météorologiques extrêmes tels que les sécheresses et les inondations dans les semaines ou les mois à venir.

Le grand modèle de prévision climatique sous-saisonnière « Fuxi » a effectivement amélioré la capacité de prévision du MJO, atteignant 36 jours, ce qui dépasse largement la durée de 30 jours du modèle S2S du CEPMMT.

Illustration : Reprévision sous-saisonnière à saisonnière (S2S) du CEPMMT (en bleu) et prévision FuXi-S2S (en rouge) utilisant toutes les données de test de 2017 à 2021 Madden-Julian multivarié en temps réel comparaisons d'oscillation (MJO) (RMM) de corrélation bivariée (COR) entre les moyennes d'ensemble. (Source : article)

De plus, le modèle de prévision climatique sous-saisonnière « Fuxi » peut également identifier les informations potentielles conduisant à des événements extrêmes en construisant une carte de saillance. Cette capacité est très importante pour prédire l'occurrence. d’événements extrêmes en 2022. Les aspects des précipitations extrêmes lors des inondations au Pakistan ont été vérifiés.

Le processus spécifique consiste d'abord à définir une fonction de perte, telle que le pourcentage moyen d'anomalie de précipitations au Pakistan marqué par la case verte dans la figure ci-dessous, à maintenir les paramètres du modèle fixes, puis à résoudre le gradient à travers rétropropagation pour finalement produire les pixels de l'image d'entrée Le gradient de , pour refléter les effets de corrélation positifs et négatifs des éléments météorologiques d'entrée sur le pourcentage d'anomalies de précipitations au Pakistan.

Grâce aux puissantes capacités de prévision et d'identification des signaux précurseurs du modèle de prévision climatique sous-saisonnière « Fuxi », des outils et des stratégies efficaces peuvent être fournis pour faire face aux événements météorologiques extrêmes.

Illustration : Analyse comparative du modèle subsaisonnier à saisonnier (S2S) du CEPMMT et du modèle FuXi-S2S pour les prévisions des inondations de 2022 au Pakistan, et des signaux précurseurs qui contribuent à des prévisions précises par le modèle FuXi-S2S. (Source : article) Outlook
Dans le passé, seuls quelques pays dans le monde étaient capables de développer et d'exploiter des modèles de prévision numérique traditionnels en temps réel. Leur développement et leur fonctionnement nécessitaient beaucoup de main-d'œuvre et de ressources informatiques, et s'appuyaient sur des milliers de personnes. Processeurs sur supercalculateurs.
Aujourd'hui, les modèles basés sur l'IA tels que le modèle météorologique Fuxi fonctionnent plus rapidement et nécessitent moins de ressources informatiques après la formation, offrant ainsi une option plus abordable pour les pays en développement.
L’intelligence artificielle dispose également d’une large marge de développement dans le domaine de la gestion des risques liés au changement climatique. Cela peut changer le paradigme de recherche en science du climat, dépasser les limites des modèles traditionnels et réaliser des prévisions précises des risques climatiques avec une résolution spatiale plus fine et des échelles de temps plus longues. Cette technologie sera largement utilisée dans les domaines de la prévision des climats extrêmes, des transports, des assurances, des nouvelles énergies, du commerce à terme, de l'urbanisme et d'autres domaines industriels.
Actuellement, le grand modèle de prévision climatique sous-saisonnière « Fuxi » peut encore être amélioré. Par exemple, sa résolution spatiale est de 1,5 degrés, ce qui est encore relativement approximatif par rapport à la résolution spatiale de 36 km du modèle sous-saisonnier du CEPMMT. La prévision actuelle est la température moyenne quotidienne, l'absence de température maximale quotidienne et de température minimale quotidienne, etc.
De plus, le grand modèle de sous-saison « Fuxi » explore également l'augmentation de la couche de pression maximale de 50 hPa (cent Pascals) actuelle à 1 hPa ou même à proximité de l'espace, permettant davantage de scénarios d'application.
À propos des auteurs
Chen Lei, chercheur à l'Institut de technologie de Shanghai, Zhong Xiaohui, chercheur postdoctoral à l'Institut d'innovation et d'industrie de l'intelligence artificielle de l'Université de Fudan, et Wu Jie, directeur adjoint du Laboratoire ouvert de recherche sur le climat de Chine. L'Administration météorologique, sont les co-premiers auteurs de l'article. Qi Yuan, doyen de l'Institut Shangzhi et professeur émérite Haoqing de l'Université de Fudan, Li Hao, doyen adjoint de la recherche scientifique de l'Institut Shangzhi et chercheur à l'Institut d'innovation et d'industrie de l'intelligence artificielle de l'Université de Fudan, et Lu Bo, chercheur en recherche sur le climat Le Laboratoire ouvert de l'Administration météorologique chinoise est co-auteur de l'article.
Tous les auteurs : Lei Chen, Xiaohui Zhong, Hao Li#, Jie Wu, Bo Lu#, Deliang Chen, Shang-Ping Xie, Libo Wu, Qingchen Chao, Chensen Lin, Zixin Hu et Yuan Qi# (# signifie auteur de la communication)
Lien papier : https://www.nature.com/articles/s41467-024-50714-1

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!