Application de réseaux neuronaux graphiques physiquement couplés pour améliorer les compétences en matière de prévision des précipitations à l'Institut de physique atmosphérique de l'Académie chinoise des sciences

Éditeur | ScienceAI

À l'ère des grands modèles, les effets des modèles météorologiques et climatiques purement basés sur les données ont progressivement rattrapé, voire dépassé, les modèles numériques.

Cependant, les modèles météorologiques et climatiques à grande échelle existants présentent encore quelques problèmes. Par exemple, la cohérence physique du modèle n’est pas suffisamment élevée, ce qui limite la capacité de prédire des phénomènes météorologiques et climatiques complexes tels que les précipitations. De plus, l’effet prévu d’un vent divergent n’est pas satisfaisant. Ces problèmes nécessitent des recherches et des améliorations supplémentaires pour améliorer la précision des prévisions et la fiabilité du modèle.

À l'heure actuelle, combiner la physique, la dynamique atmosphérique et les modèles d'apprentissage profond est un moyen important de résoudre le problème des goulots d'étranglement.

Récemment, l'équipe du chercheur Huang Gang de l'Institut de physique atmosphérique de l'Académie chinoise des sciences, s'appuyant sur les données et la puissance de calcul du Earth System Numerical Simulator(寰), a commencé du point de vue de la relation de couplage de variables physiques et combiné avec le réseau neuronal graphique pour effectuer une simulation physique douce de contraintes multi-variables, amélioré les compétences de prévision des précipitations des modèles numériques et fait quelques tentatives et explorations dans l'intégration de la physique et de l'IA.

La recherche s'intitulait « Couplage de facteurs physiques pour la prévision des précipitations en Chine avec un réseau neuronal graphique » et a été publiée dans « Geophysical Research Letters » le 18 janvier.

Lien papier : https://doi.org/10.1029/2023GL106676

Visant les questions difficiles de la prévision des précipitations, en particulier la prévision des fortes précipitations, notre équipe est partie des facteurs d'influence et du mécanisme d'apparition des précipitations. En combinaison avec l'équation oméga, l'équation de la vapeur d'eau, etc., effectuez un criblage variable et construisez un réseau de graphiques de couplage variable pour résoudre le problème.

L'équation Omega et l'équation de la vapeur d'eau décrivent respectivement le mouvement vertical et les changements de vapeur d'eau, qui sont tous deux des facteurs importants affectant les précipitations. Du point de vue du réseau graphique, l'équation susmentionnée reflète la relation entre la combinaison non linéaire de grandeurs physiques de base (température, vent, humidité, etc.) et les éléments clés des précipitations. Par conséquent, elle peut être résumée dans un réseau graphique et. à travers les variables entre le réseau graphique (nœuds) et les relations entre les variables pour représenter la combinaison et le couplage de différentes variables physiques.

Dans le même temps, en prenant en compte l'impact des facteurs climatiques sur les échelles météorologiques, en particulier les différences systématiques dans les erreurs de modèle sous différents contextes climatiques, cette étude a intégré la saison, l'ENSO et d'autres facteurs climatiques et l'heure d'apparition données clairseméesà l'aide de l'entité technologie d'intégration Calibrez le modèle pour distinguer les erreurs dans différents contextes.

De plus, pour le processus de précipitation, cette étude a amélioré localement le réseau neuronal graphique ChebNet, afin qu'il puisse fondamentalement maintenir l'effet tout en évitant les opérations globales et en réduisant considérablement la complexité de calcul.

Figure 1 : Schéma du modèle oméga-GNN. (Source : article)

Les résultats de la comparaison des modèles montrent que les deux modèles physiquement contraints oméga-GNN et oméga-EGNN proposés dans cette étude améliorent considérablement les compétences de prévision des précipitations de chaque catégorie par rapport au modèle numérique, et leurs performances sont meilleures que le modèle courant actuel. Modèles d’apprentissage profond physiquement contraints (tels que U-NET, 3D-CNN, etc.).

De plus, l'étude a effectué dix ensembles de perturbations sur tous les modèles d'apprentissage profond, leur permettant d'effectuer des prévisions d'ensemble. En combinant diagnostic et analyse de cas, on constate que le modèle avec contraintes physiques est significativement meilleur que le modèle sans contraintes physiques. Pour la prédiction des fortes précipitations, la cohérence entre le modèle oméga-GNN et l'ensemble de modèles oméga-EGNN est plus élevée. et les capacités de prévision sont meilleures.

Figure 2 : (a) scores TS pour chaque modèle, (b-g) distribution spatiale des différences TS par rapport aux modèles numériques (précipitations 20 mm/6 h au-dessus du seuil). (Source : article)

Le chercheur Huang Gang, auteur correspondant de l'article, a déclaré : « Notre équipe a accumulé beaucoup de choses dans le sens de la dynamique climatique. Ces dernières années, nous avons tenté d'utiliser l'IA pour améliorer la météo et Les prévisions climatiques et les résultats pertinents ont remporté de nombreux prix pertinents. À l'ère des grands modèles d'IA, la manière d'intégrer la physique à l'IA est un problème majeur. Nous combinons certaines réflexions sur l'atmosphère et l'IA. dynamique climatique pour appliquer des contraintes douces au modèle du point de vue du couplage physique. Certaines tentatives ont été faites dans cette direction, dans l'espoir de fournir des informations supplémentaires pour des domaines connexes "

La recherche a été menée par les étudiants en master Chen Yutong, Dr. Wang Ya et le chercheur Huang Gang de l'Institut de physique atmosphérique de l'Académie chinoise des sciences et de l'Institut de recherche en météorologie marine tropicale de Guangzhou de l'Administration météorologique de Chine. Réalisé en collaboration avec le Dr Tsukuda Soda.

Contenu de référence : https://iap.cas.cn/gb/xwdt/kyjz/202401/t20240119_6959543.html

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!