編集者 | ScienceAI
大規模モデルの時代において、純粋にデータ駆動型の気象および気候モデルの効果は、徐々に数値モデルに追いつき、さらには数値モデルを超えてきました。
しかし、既存の大規模気象・気候モデルにはまだいくつかの問題があります。たとえば、モデルの物理的一貫性が十分に高くないため、複雑な天気や降水量などの気象現象を予測する能力が制限されます。また、発散風の予測効果も満足できるものではありません。これらの問題については、モデルの予測精度と信頼性を向上させるために、さらなる研究と改善が必要です。
現在、物理学、大気力学、深層学習モデルを組み合わせることがボトルネック問題を解決する重要な方法となっています。
最近、中国科学院大気物理研究所の研究者黄剛氏のチームは、地球系数値シミュレーション装置 (フアン) のデータと計算能力のサポートに基づいて、 、物理変数の結合関係の観点から開始し、図と組み合わせてニューラル ネットワークは複数の変数に物理的なソフト制約を課し、数値モデルの降水量予測スキルを向上させ、物理学と AI の統合におけるいくつかの試みと探索を行います。 。
この研究は「中国の降水量予測のための物理的要因とグラフニューラルネットワークの結合」というタイトルで、1月18日に「Geophysical Research Letters」に掲載されました。
エンティティ埋め込みテクノロジを使用して修正モデルを埋め込み、さまざまな背景でのエラーを区別します。 さらに、この研究では、降水プロセスに関して、グラフ ニューラル ネットワーク ChebNet に局所的な改良を加えたので、グローバルな操作を回避し、計算の複雑さを大幅に軽減しながら、基本的に効果を維持することができます。
図 1: omega-GNN モデルの概略図。 （出典：論文）
モデル比較の結果、本研究で提案した 2 つの物理制約モデル omega-GNN と omega-EGNN は、数値モデルと比較して各カテゴリの降水量予測スキルを大幅に向上させ、同時に、物理的な制約のない現在の主流の深層学習モデル (U-NET、3D-CNN など) よりも優れたパフォーマンスを実現します。
さらに、この研究では、すべての深層学習モデルに対して 10 セットの摂動を実行し、アンサンブル予測を実行できるようにしました。診断と事例解析を組み合わせた結果、物理的制約のあるモデルは物理的制約のないモデルよりも大幅に優れていることがわかり、大雨の予測に関しては、omega-GNN モデルと omega-EGNN モデルアンサンブルの整合性が高く、そして予測スキルも向上します。
図 2: 各モデルの (a) TS スコア、(b-g) 数値モデルと比較した TS 差の空間分布 (降水量が 20 mm/6 時間のしきい値を超える)。 （出典：論文）
この論文の責任著者である黄剛研究員は次のように述べています。天気と気候の予測を改善し、関連する多くの成果を達成しました 関連するコンテストで賞を初めて受賞しました 大規模な AI モデルの時代では、物理学と AI をどのように統合するかが大きな問題であり、そのための方法やアイデアは数多くあります」 ## この研究は、修士課程のChen Yutong氏、Wang Ya博士、Huang Gang研究員、および中国科学院大気物理学研究所によって実施されました。中国気象局広州熱帯海洋気象研究所のTian Qun博士との協力により完了しました。管理。
参考コンテンツ: https://iap.cas.cn/gb/xwdt/kyjz/202401/t20240119_6959543.html
以上が中国科学院大気物理研究所で物理結合グラフ ニューラル ネットワークを適用して降水量予測スキルを向上の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。
![[Web フロントエンド] Node.js クイック スタート](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
