Model besar Pentadbiran Meteorologi Universiti Tsinghua dan China muncul dalam Alam Semula Jadi: Menyelesaikan masalah bertaraf dunia, ketepatan masa ramalan 'cuaca hantu' mencecah 3 jam buat kali pertama

"persediaan sebenar untuk hari hujan", model ramalan "cuaca hantu" Universiti Tsinghua ada di sini!

Ia adalah jenis yang boleh menyelesaikan masalah dunia yang tidak dapat diselesaikan -

Kerpasan yang melampau boleh diramalkan dari 0 hingga 3 jam pada skala kilometer.

Cuaca hujan yang melampau, termasuk hujan lebat jangka pendek, ribut, ribut salji, hujan batu, dll., boleh memberikan amaran awal.

Gambar

Menyelesaikan penyelidikan ini bukanlah mudah.

Pusat Perisian Universiti Tsinghua bekerjasama dengan Pusat Meteorologi Kebangsaan dan Pusat Maklumat Meteorologi Kebangsaan Selepas tiga tahun penyelidikan bersama, mereka menghasilkan model pemancaran hujan ekstrem besar yang dipanggil NowcastNet, dan menggunakan hampir enam tahun pemerhatian radar. data untuk melengkapkan latihan model.

Dalam ujian proses 62 pakar ramalan cuaca di seluruh negara, kaedah ini jauh mendahului kaedah serupa di dunia, dan hasil penyelidikan kini telah diterbitkan dalam Nature.

Pictures

Pada masa ini, NowcastNet telah digunakan dan dilancarkan pada platform perniagaan ramalan jangka pendek Pusat Meteorologi Nasional (SWAN 3.0), yang akan memberikan sokongan untuk perniagaan ramalan cuaca hujan ekstrem negara.

Jadi mengapa sekarang pemendakan hujan melampau sangat sukar? Bagaimanakah pasukan Tsinghua menyelesaikan masalah ini?

Kenapa ia disenaraikan sebagai masalah saintifik?

Dalam beberapa tahun kebelakangan ini, disebabkan oleh pengaruh perubahan iklim global, cuaca hujan yang melampau telah kerap berlaku. Curahan hujan yang boleh mencapai masa utama amaran yang lebih tepat, lebih tepat dan lebih lama telah menjadi tumpuan orang ramai.

Memandangkan kebanyakan proses cuaca hujan yang melampau hanya berlangsung selama berpuluh-puluh minit dan mempunyai skala spatial beberapa kilometer, ia terjejas teruk oleh proses yang kompleks seperti perolakan, siklon, topografi dan kesan huru-hara sistem atmosfera.

Walau bagaimanapun, teknologi ramalan berangka berdasarkan simulasi persamaan fizikal sukar untuk meramalkan kerpasan ekstrem skala kilometer dengan berkesan.

Oleh itu, pada Sidang Kemuncak Pertubuhan Meteorologi Sedunia pada 27 Mei tahun ini, pemendakan sekarang dalam tempoh tiga jam disenaraikan sebagai salah satu masalah saintifik penting yang belum diselesaikan.

△Tumpahan hujan berdasarkan pemerhatian radar adalah salah satu masalah dunia

Terdapat kaedah untuk meramalkan cuaca hujan yang melampau sebelum ini.

Pengiraan berangka dan pembelajaran mendalam ialah dua kaedah arus utama penuangan kerpasan, tetapi kedua-duanya mempunyai kelemahan yang jelas:

Kaedah pengiraan berangka sukar untuk memodelkan ciri berskala spatiotemporal secara berkesan bagi proses kerpasan, dan juga dikekang oleh kumulatif ralat ramalan. Had masa biasanya dalam masa satu jam.

Walaupun kaedah pembelajaran mendalam bagus dalam memodelkan sistem tak linear, model statistik mempunyai masalah pelicinan berlebihan sampel kecil yang wujud, proses penyelesaian ramalan tidak mempunyai kekangan undang-undang pemuliharaan fizikal, dan medan berangka yang dijana mempunyai kabur dan herotan yang teruk, menjadikannya. sukar untuk memberikan kerpasan yang melampau dengan ramalan nilai operasi.

Nowcasting model besar NowcastNet

Sebagai tindak balas kepada cabaran di atas, sejak 2017, pasukan Profesor Wang Jianmin dan Profesor Madya Long Mingsheng dari Sekolah Perisian Universiti Tsinghua telah menubuhkan pasukan penyelidik dengan Pusat Meteorologi Kebangsaan dan Kebangsaan Pusat Maklumat Meteorologi untuk membangunkan teknologi kecerdasan buatan dalam kerjasama data besar meteorologi pada aplikasi.

Selepas tiga tahun penyelidikan bersama, model NowcastNet yang besar telah dicadangkan dan dilatih mengenai data pemerhatian radar dari Amerika Syarikat dan China dalam tempoh enam tahun yang lalu.

Inti model ini ialah pengendali evolusi saraf yang memodelkan proses fizikal pemendakan hujung-ke-hujung, mencapai penyepaduan yang lancar bagi pembelajaran mendalam dan undang-undang fizikal.

△NowcastNet, model nowcasting yang besar yang menyepadukan pemodelan fizikal dan pembelajaran mendalam

Secara khusus, pasukan penyelidik mula-mula mereka bentuk rangkaian evolusi skala meso untuk memodelkan kerpasan mesoscale dengan sifat fizikal yang lebih ketara seperti proses adveksi pengendali neuroevolusi berdasarkan persamaan kesinambungan bahan (iaitu, undang-undang pemuliharaan jisim) untuk mensimulasikan gerakan berskala sepuluh kilometer dalam proses pemendakan hujung ke hujung dan meminimumkan ralat ramalan terkumpul melalui perambatan belakang.

Kedua, pasukan penyelidik mencadangkan rangkaian penjanaan skala perolakan Berdasarkan keputusan ramalan rangkaian evolusi mesoscale, model penjanaan kemungkinan digunakan untuk menangkap lagi proses kerpasan skala kilometer di mana kesan huru-hara seperti penjanaan perolakan dan pelesapan. lebih ketara.

Terima kasih kepada reka bentuk gabungan yang disebutkan di atas, model ini menggabungkan kelebihan pembelajaran mendalam dan pemodelan fizikal, dan buat pertama kali di dunia, ketepatan masa penuangan kerpasan dilanjutkan kepada 3 jam (seperti yang dinyatakan di atas, pengiraan berangka sebelumnya kaedah biasanya dalam masa 1 jam dalam masa) dan mengimbangi kelemahan ramalan hujan yang melampau.

Untuk menguji sepenuhnya nilai panduan operasi model besar NowcastNet yang dipancarkan sekarang untuk proses cuaca biasa, Pusat Meteorologi Negara menjemput 62 pakar ramalan barisan hadapan daripada 23 balai cerap meteorologi wilayah dan perbandaran untuk menjalankan ujian posterior ke atas 2,400 proses kerpasan ekstrem di China dan Amerika Syarikat dan pemeriksaan apriori dan perbandingan dengan kaedah yang digunakan dalam perniagaan.

Sistem ramalan yang kini digunakan secara meluas oleh pusat meteorologi di seluruh dunia termasuk kaedah pySTEPS berasaskan adveksi. PredRNN ialah rangkaian neural dipacu data yang telah digunakan di Pentadbiran Meteorologi China. Model DGMR telah dicadangkan oleh Google DeepMind dengan kerjasama British Met Office.

Semua model dilatih dan diuji pada set data radar besar kejadian kerpasan di Amerika Syarikat dan China.

Gambar

△ Keputusan pemeriksaan pakar meteorologi dan hasil penilaian indeks berangka CSI digunakan untuk mengukur ketepatan lokasi ramalan digunakan untuk mengukur perbandingan antara ciri spektrum ramalan dan kebolehubahan kerpasan pemerhatian radar.

Seperti yang ditunjukkan dalam rajah di atas, NowcastNet secara menyeluruh mengatasi teknologi sedia ada dalam penunjuk berangka seperti Indeks Kejayaan Kritikal (CSI) dan Ketumpatan Spektrum Kuasa (PSD), dan dianggap mempunyai nilai ramalan tertinggi dalam 71% proses cuaca.

Semasa hujan yang melampau, NowcastNet ialah satu-satunya teknologi nowcasting yang menunjukkan nilai perniagaan yang kukuh.

Ambil proses cuaca ekstrem biasa di China dan Amerika Syarikat sebagai contoh:

Pada 23:40 pada 14 Mei 2021, proses hujan lebat berlaku di wilayah Jianghuai di China, dan banyak wilayah seperti Hubei dan Anhui mengeluarkan amaran ribut hujan merah NowcastNet Proses perubahan tiga supersel kerpasan lebat boleh diramalkan dengan tepat.

Gambar

△a Ramalan maklumat geografi, b. Keputusan ramalan model berbeza pada jam T+1, jam T+2 dan jam T+3, c ketepatan

Pada 9:30 pada 11 Disember 2021, bencana puting beliung berlaku di tengah Amerika Syarikat, menyebabkan 89 kematian dan 676 kecederaan dapat memberikan intensiti, kawasan pendaratan dan corak pergerakan hujan yang lebih jelas dan lebih tepat hasil ramalan.

Gambar

Ujian menunjukkan bahawa NowcastNet mempunyai kepentingan panduan yang baik untuk pencegahan dan kawalan tepat cuaca bencana yang melampau.

Pada masa ini, hasil penyelidikan diterbitkan dalam Nature di bawah tajuk "Skilful Nowcasting of Extreme Precipitation with NowcastNet", dan turut bertajuk "Nature News and Viewpoints" The Outlook for AI Weather Prediction" telah dilaporkan.

Penyelidik percaya:

Penyelidikan ini meneroka paradigma baharu "pembelajaran saintifik" yang dipacu data dan didorong fizik, mencadangkan kaedah umum untuk memodelkan dan meramalkan medan bahan ruang-masa di bawah kekangan pemuliharaan fizikal, dan memberikan pandangan tentang yang lain. bahan dengan sifat fizikal berskala Masalah juga mempunyai prospek aplikasi.

Mereka juga berkata:

Pada masa hadapan, mereka akan mempromosikan lagi aplikasi penyelesaian ini dalam senario seperti penyelesaian masalah fizikal, simulasi atmosfera dan lautan, dan simulasi reka bentuk perindustrian.

Maklumat Pasukan

Profesor Wang Jianmin dan Profesor Madya Long Mingsheng dari Sekolah Perisian, Universiti Tsinghua dan Michael I. Jordan, pakar pembelajaran mesin terkemuka, profesor di University of California, Berkeley, dan profesor kehormat di Tsinghua Universiti, adalah pengarang kertas yang sepadan.

Pelajar Ph.D. Zhang Yuchen dan Profesor Madya Long Mingsheng dari Sekolah Perisian, Universiti Tsinghua ialah pengarang pertama pelajar Sarjana Chen Kaiyuan dan Xing Lanxiang mengambil bahagian dalam kerja penyelidikan.

Penyelidik Jin Ronghua dari Pusat Meteorologi Negara menyediakan pengetahuan meteorologi dan sokongan data dan mengetuai pemeriksaan pakar meteorologi di seluruh negara seperti Luo Bing, Zhang Xiaoling, Xue Feng, Sheng Jie, Han Feng, dan Zhang Xiaowen memberikan bimbingan, cadangan dan bimbingan untuk kerja-kerja penyelidikan.

Penyelidikan ini disokong oleh Projek Kumpulan Penyelidikan Inovatif Yayasan Sains Asli China, Projek Dana Sains Belia Cemerlang dan Pusat Penyelidikan Kejuruteraan Kebangsaan untuk Perisian Sistem Data Besar.

Pautan kertas: https://www.nature.com/articles/s41586-023-06184-4

Atas ialah kandungan terperinci Model besar Pentadbiran Meteorologi Universiti Tsinghua dan China muncul dalam Alam Semula Jadi: Menyelesaikan masalah bertaraf dunia, ketepatan masa ramalan 'cuaca hantu' mencecah 3 jam buat kali pertama. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!