Un grand modèle de l'Université Tsinghua et de l'Administration météorologique de Chine apparaît dans Nature : pour résoudre des problèmes de classe mondiale, la rapidité des prévisions du « temps fantôme » atteint 3 heures pour la première fois

Véritable « préparation pour un jour de pluie », le modèle de prévision « temps fantôme » de l'Université Tsinghua est là !

C'est le genre de solution qui peut résoudre les problèmes non résolus du monde. -

Les précipitations extrêmes peuvent être prédites de 0 à 3 heures à l'échelle kilométrique.

Les précipitations extrêmes, notamment les fortes précipitations à court terme, les tempêtes, les blizzards, la grêle, etc., peuvent fournir une alerte précoce.

Photos

Réaliser cette recherche n'a pas été facile.

L'École de logiciels de l'Université Tsinghua a coopéré avec le Centre météorologique national et le Centre national d'information météorologique. Après trois années de recherche conjointe, ils ont mis au point ce grand modèle de prévision immédiate des précipitations extrêmes appelé NowcastNet et ont utilisé près de six ans d'observation radar. données pour compléter la formation du modèle.

Dans le test de processus mené par 62 experts en prévisions météorologiques à travers le pays, cette méthode est nettement en avance sur les méthodes similaires dans le monde, et les résultats de la recherche ont maintenant été publiés dans Nature.

Photos

Actuellement, NowcastNet a été déployé et lancé sur la plateforme commerciale de prévisions à court terme du Centre météorologique national (SWAN 3.0), qui fournira un soutien aux activités nationales de prévision à court terme des précipitations extrêmes.

Alors pourquoi la prévision immédiate des précipitations extrêmes est-elle si difficile ? Comment l’équipe Tsinghua a-t-elle résolu ce problème ?

Pourquoi est-il répertorié comme problème scientifique ?

Ces dernières années, en raison de l'influence du changement climatique mondial, des précipitations extrêmes se sont produites fréquemment. La prévision immédiate des précipitations, qui permet d'obtenir un délai d'alerte plus précis, plus précis et plus long, est devenue un centre d'attention.

Étant donné que la plupart des processus météorologiques de précipitations extrêmes ne durent que des dizaines de minutes et ont une échelle spatiale de plusieurs kilomètres, ils sont gravement affectés par des processus complexes tels que la convection, les cyclones, la topographie et les effets chaotiques du système atmosphérique.

Cependant, la technologie de prévision numérique basée sur la simulation d’équations physiques est difficile à prédire efficacement les précipitations extrêmes à l’échelle kilométrique.

Par conséquent, lors du Sommet de l'Organisation météorologique mondiale du 27 mai de cette année, la prévision immédiate des précipitations dans un délai de trois heures a été répertoriée comme l'un des problèmes scientifiques importants non résolus.

△La prévision immédiate des précipitations basée sur les observations radar est l'un des problèmes mondiaux

Il existe déjà des méthodes pour prédire les précipitations extrêmes.

Le calcul numérique et l'apprentissage profond sont les deux méthodes principales de prévision immédiate des précipitations, mais ils présentent tous deux des défauts évidents :

Les méthodes de calcul numérique sont difficiles à modéliser efficacement les caractéristiques spatio-temporelles multi-échelles du processus de précipitation, et sont également contraintes par les contraintes cumulées. erreurs de prévision. Le délai est généralement d’une heure.

Bien que les méthodes d'apprentissage en profondeur soient efficaces pour modéliser des systèmes non linéaires, les modèles statistiques présentent des problèmes inhérents de lissage excessif des petits échantillons. Le processus de solution de prévision ne respecte pas les contraintes des lois de conservation physique, et les champs numériques générés présentent un flou et une distorsion importants, ce qui le rend difficile. Il est difficile de fournir des prévisions de précipitations extrêmes avec une valeur opérationnelle.

Nowcasting grand modèle NowcastNet

En réponse aux défis ci-dessus, depuis 2017, l'équipe du professeur Wang Jianmin et du professeur agrégé Long Mingsheng de l'École de logiciel de l'Université Tsinghua a créé une équipe de recherche avec le Centre météorologique national et le National Centre d'information météorologique pour développer la technologie de l'intelligence artificielle dans la coopération en matière de mégadonnées météorologiques sur les applications.

Après trois années de recherche conjointe, le grand modèle de prévision immédiate NowcastNet a été proposé et formé sur les données d'observation radar des États-Unis et de la Chine au cours des six dernières années.

Le cœur de ce modèle est l'opérateur d'évolution neuronale qui modélise le processus physique de précipitation de bout en bout, réalisant une intégration transparente de l'apprentissage profond et des lois physiques.

△NowcastNet, un grand modèle de prévision immédiate qui intègre la modélisation physique et l'apprentissage profond

Plus précisément, l'équipe de recherche a d'abord conçu un réseau d'évolution à méso-échelle pour modéliser les précipitations à méso-échelle avec des propriétés physiques plus importantes telles que le processus d'advection, et a conçu. un opérateur de neuroévolution basé sur l'équation de continuité matérielle (c'est-à-dire la loi de conservation de la masse) pour simuler de bout en bout le mouvement à l'échelle de dix kilomètres dans le processus de précipitation et minimiser l'erreur de prévision cumulative par rétropropagation.

Deuxièmement, l'équipe de recherche a proposé un réseau de génération à l'échelle convective. Sur la base des résultats de prédiction du réseau d'évolution à méso-échelle, le modèle de génération probabiliste est utilisé pour capturer davantage le processus de précipitation à l'échelle kilométrique où se produisent des effets chaotiques tels que la génération et la dissipation de convection. plus significatif.

Grâce à la conception de fusion mentionnée ci-dessus, ce modèle combine les avantages de l'apprentissage profond et de la modélisation physique, et pour la première fois au monde, la rapidité de la prévision immédiate des précipitations est étendue à 3 heures (comme mentionné ci-dessus, calcul numérique précédent les méthodes étaient généralement dans un délai d'une heure) et compensent les lacunes de la prévision des précipitations extrêmes.

Afin de tester pleinement la valeur opérationnelle du grand modèle de prévision immédiate NowcastNet pour les processus météorologiques typiques, le Centre météorologique national a invité 62 experts en prévision de première ligne de 23 stations météorologiques provinciales et municipales à effectuer des tests a posteriori sur 2 400 processus de précipitations extrêmes en Chine. et aux États-Unis, des inspections et des inspections a priori et des comparaisons avec les méthodes actuellement utilisées dans les affaires.

Le système de prévision actuellement largement utilisé par les centres météorologiques du monde entier inclut la méthode pySTEPS basée sur l'advection. PredRNN est un réseau neuronal basé sur les données qui a été déployé au sein de l'Administration météorologique chinoise. Le modèle DGMR a été proposé par Google DeepMind en coopération avec le British Met Office.

Tous les modèles sont entraînés et testés sur de grands ensembles de données radar d'événements de précipitations aux États-Unis et en Chine.

Photos

△ Les résultats de l'inspection des experts météorologiques et les résultats de l'évaluation de l'indice numérique sont utilisés pour mesurer la précision de localisation de la prévision ; PSD est utilisé pour mesurer la comparaison entre les caractéristiques spectrales de la prévision et la variabilité des précipitations. observations radar.

Comme le montre la figure ci-dessus, NowcastNet surpasse largement les technologies existantes en termes d'indicateurs numériques tels que l'indice de réussite critique (CSI) et la densité spectrale de puissance (PSD), et est considéré comme ayant la valeur de prévision la plus élevée dans 71 % des processus météorologiques.

Dans le processus de précipitations extrêmes, NowcastNet est la seule technologie de prévision immédiate qui présente une forte valeur commerciale.

Prenons comme exemple les processus météorologiques extrêmes typiques en Chine et aux États-Unis :

À 23h40 le 14 mai 2021, un processus de fortes pluies s'est produit dans la région de Jianghuai en Chine et dans de nombreuses régions telles que le Hubei et l'Anhui. a émis des avertissements de pluie rouge. NowcastNet Le processus de changement de trois supercellules à fortes précipitations peut être prédit avec précision.

Photos

△a Informations géographiques prédites, b. Résultats de prédiction de différents modèles à T+1 heure, T+2 heure et T+3 heure, c. précision

À 9h30 le 11 décembre 2021, une tornade catastrophique a éclaté dans le centre des États-Unis, causant 89 morts et 676 blessés. NowcastNet peut donner l'intensité, la zone d'atterrissage et le schéma de déplacement des fortes précipitations plus clairement et plus précisément. résultats prévisionnels.

Photos

Le test montre que NowcastNet a une bonne importance pour la prévention et le contrôle précis des catastrophes météorologiques extrêmes.

Actuellement, les résultats de la recherche ont été publiés dans Nature sous le titre "Skilful Nowcasting of Extreme Precipitation with NowcastNet", et étaient également intitulés "Nature News and Viewpoints". Les perspectives pour la prévision météorologique de l'IA ont été rapportées.

Les chercheurs pensent :

Cette recherche explore un nouveau paradigme d'"apprentissage scientifique basé sur les données et la physique", propose une méthode générale pour modéliser et prédire les champs de matériaux spatio-temporels sous des contraintes de conservation physique, et fournit un aperçu d'autres matériaux aux propriétés physiques multi-échelles Le problème a également des perspectives d'application.

Ils ont également déclaré :

À l'avenir, ils favoriseront davantage l'application de cette solution dans des scénarios tels que la résolution de problèmes physiques, la simulation atmosphérique et océanique et la simulation de conception industrielle.

Informations sur l'équipe

Professeur Wang Jianmin et professeur agrégé Long Mingsheng de l'École de logiciels de l'Université Tsinghua, et Michael I. Jordan, doyen de l'apprentissage automatique, professeur à l'Université de Californie à Berkeley et professeur honoraire à l'Université Tsinghua , sont les auteurs correspondants de l’article.

Les étudiants en doctorat Zhang Yuchen et le professeur agrégé Long Mingsheng de l'École de logiciels de l'Université Tsinghua sont les premiers auteurs de l'article. Les étudiants en maîtrise Chen Kaiyuan et Xing Lanxiang ont participé aux travaux de recherche.

Le chercheur Jin Ronghua du Centre météorologique national a fourni des connaissances et des données météorologiques et a présidé l'inspection nationale d'experts météorologiques tels que Luo Bing, Zhang Xiaoling, Xue Feng, Sheng Jie, Han Feng, Zhang Xiaowen et d'autres experts fournis. conseils, suggestions et orientations pour le travail de recherche.

Cette recherche a été soutenue par le projet de groupe de recherche innovant de la Fondation nationale des sciences naturelles de Chine, le projet de fonds scientifique exceptionnel pour la jeunesse et le Centre national de recherche en ingénierie pour les logiciels de systèmes Big Data.

Lien papier : https://www.nature.com/articles/s41586-023-06184-4

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!