Menggunakan rangkaian saraf graf yang digabungkan secara fizikal untuk meningkatkan kemahiran ramalan kerpasan di Institut Fizik Atmosfera, Akademi Sains China

Penyunting |.

Namun, model meteorologi dan iklim berskala besar sedia ada masih menghadapi beberapa masalah. Sebagai contoh, ketekalan fizikal dalam model tidak cukup tinggi, yang mengehadkan keupayaan untuk meramalkan fenomena cuaca dan iklim yang kompleks seperti kerpasan. Selain itu, kesan ramalan angin mencapah tidak memuaskan. Isu-isu ini memerlukan penyelidikan dan penambahbaikan lanjut untuk meningkatkan ketepatan ramalan dan kebolehpercayaan model.

Pada masa ini, menggabungkan fizik, dinamik atmosfera dan model pembelajaran mendalam ialah cara penting untuk menyelesaikan masalah kesesakan.

Baru-baru ini, pasukan penyelidik Huang Gang dari Institut Fizik Atmosfera, Akademi Sains China, berdasarkan data dan sokongan kuasa pengkomputeran

Simulator Berangka Sistem Bumi

(寰), bermula dari perspektif hubungan gandingan pembolehubah fizikal dan digabungkan dengan rangkaian saraf graf untuk menjalankan kekangan fizikal lembut pelbagai pembolehubah, meningkatkan kemahiran peramalan kerpasan model berangka, dan membuat beberapa percubaan dan penerokaan dalam penyepaduan fizik dan AI. Penyelidikan itu bertajuk "Gandingan Faktor Fizikal untuk Ramalan Kerpasan di China Dengan Rangkaian Neural Graf" dan diterbitkan dalam "

Surat Penyelidikan Geofizik

" pada 18 Januari.

Pautan kertas: https://doi.org/10.1029/2023GL106676

Mensasarkan isu-isu sukar ramalan hujan, terutamanya ramalan hujan lebat, pasukan kami bermula dari faktor-faktor yang mempengaruhi dan mekanisme kejadian. Digabungkan dengan persamaan omega, persamaan wap air, dsb., menjalankan saringan berubah-ubah dan membina rangkaian graf gandingan berubah-ubah untuk menyelesaikan masalah.

Persamaan Omega dan persamaan wap air masing-masing menerangkan pergerakan menegak dan perubahan wap air, kedua-duanya merupakan faktor penting yang mempengaruhi kerpasan. Daripada perspektif rangkaian graf, persamaan yang dinyatakan di atas menggambarkan hubungan antara gabungan tak linear kuantiti fizik asas (suhu, angin, kelembapan, dll.) dan unsur-unsur utama kerpasan Oleh itu, ia boleh disarikan ke dalam rangkaian graf, dan melalui pembolehubah antara rangkaian graf (nod) dan hubungan antara pembolehubah untuk mewakili gabungan dan gandingan antara pembolehubah fizikal yang berbeza.

Pada masa yang sama, dengan mengambil kira kesan faktor iklim pada skala cuaca, terutamanya perbezaan sistematik dalam ralat model di bawah latar belakang iklim yang berbeza, kajian ini membenamkan musim, ENSO dan faktor iklim lain serta masa permulaan

data yang jarang

menggunakan entiti teknologi benam Menentukur model untuk membezakan ralat dalam konteks yang berbeza. Selain itu, untuk proses pemendakan, kajian ini menambah baik rangkaian neural graf ChebNet secara tempatan, supaya ia pada asasnya boleh mengekalkan kesan sambil mengelakkan operasi global dan mengurangkan kerumitan pengiraan dengan banyak.

Rajah 1: Skema model omega-GNN. (Sumber: kertas)

Hasil perbandingan model menunjukkan bahawa dua model terkekang secara fizikal omega-GNN dan omega-EGNN yang dicadangkan dalam kajian ini secara signifikan meningkatkan kemahiran peramalan kerpasan bagi setiap kategori berbanding dengan model berangka, dan prestasinya adalah lebih baik daripada model arus perdana semasa. Model pembelajaran mendalam yang dikekang secara fizikal (seperti U-NET, 3D-CNN, dll.).

Selain itu, kajian itu melakukan sepuluh set gangguan pada semua model pembelajaran mendalam, membolehkan mereka melakukan ramalan ensemble. Menggabungkan diagnosis dan analisis kes, didapati bahawa model dengan kekangan fizikal adalah jauh lebih baik daripada model tanpa kekangan fizikal Untuk ramalan kerpasan berat, konsistensi antara model omega-GNN dan ensembel model omega-EGNN adalah lebih tinggi. dan kemahiran meramal adalah lebih baik.

Rajah 2: (a) Skor TS untuk setiap model, (b-g) taburan ruang bagi perbezaan TS berbanding model berangka (20mm/6j kerpasan atas ambang). (Sumber: kertas)

Penyelidik Huang Gang, pengarang kertas yang sepadan, berkata: "Pasukan kami telah mengumpul banyak ke arah dinamik iklim. Dalam beberapa tahun kebelakangan ini, kami telah membuat beberapa percubaan untuk menggunakan AI untuk memperbaiki cuaca dan ramalan iklim, dan keputusan yang berkaitan telah memenangi banyak pertandingan yang berkaitan Dalam era model AI yang besar, cara mengintegrasikan fizik dengan AI adalah isu besar. Kami menggabungkan beberapa pemikiran tentang atmosfera dinamik iklim untuk menerapkan kekangan lembut pada model dari perspektif gandingan fizikal Kami telah membuat beberapa percubaan ke arah ini, dengan harapan dapat memberikan beberapa maklumat tambahan kepada bidang berkaitan."

Penyelidikan telah dijalankan oleh pelajar sarjana Chen Yutong, Dr. Wang Ya, dan penyelidik Huang Gang dari Institut Fizik Atmosfera, Akademi Sains China, dan Institut Penyelidikan Meteorologi Marin Tropika Guangzhou Pentadbiran Meteorologi China Dilengkapkan dengan kerjasama Dr. Tsukuda Soda.

Kandungan rujukan: https://iap.cas.cn/gb/xwdt/kyjz/202401/t20240119_6959543.html

Atas ialah kandungan terperinci Menggunakan rangkaian saraf graf yang digabungkan secara fizikal untuk meningkatkan kemahiran ramalan kerpasan di Institut Fizik Atmosfera, Akademi Sains China. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!