應用物理耦合圖神經網路提升中國科學院大氣物理研究所的降水預報技巧

編輯 | ScienceAI

大模型時代，純粹資料驅動的氣象、氣候模型效果逐漸追趕甚至趕超數值模式。

然而，現有的氣象氣候大模型仍存在一些問題。例如，模型中的物理一致性還不夠高，這導致了對於複雜的天氣氣候現像如降水的預測能力受限。另外，輻散風的預報效果也不盡人意。這些問題需要進一步的研究和改進，以提高模型的預測精度和可靠性。

目前，將物理、大氣動力與深度學習模式結合，是解決瓶頸問題的重要途徑。

近日，中國科學院大氣物理研究所黃剛研究員團隊基於地球系統數值模擬裝置（寰）的數據和算力支持，從物理變量耦合關係角度出發，結合圖神經網路對多變量進行物理軟約束，提升了數值模式的降水預報技巧，在物理和AI 的融合方向做了一些嘗試和探索。

研究以《Coupling Physical Factors for Precipitation Forecast in China With Graph Neural Network》為題，於 1 月 18 日發表在《Geophysical Research Letters》上。

論文連結：https://doi.org/10.1029/2023GL106676

針對降水預報的困難問題，特別是強降水的預報問題，我們的團隊透過從降水的影響要素和發生機製出發，結合omega方程式和水汽方程式等，進行變數篩選和建構變數耦合圖網路來解決。

Omega 方程式和水汽方程式分別描述了垂直運動和水汽變化，都是影響降水的重要因素。從圖網絡的角度來看，前述方程式反應了基本的物理量（溫、風、濕等）的非線性組合與降水關鍵要素之間的關係，因而可以將其抽象為圖網絡，透過圖網絡間變量（節點）和變數間關係來表徵不同物理變數間的組合及耦合。

同時，考慮到氣候因子對於天氣尺度的影響，尤其是不同氣候背景下模式誤差系統性的差異，該研究將季節、ENSO 等氣候因子和起報時間等稀疏數據使用entity embedding 技術嵌入校正模型，以區分不同背景下的誤差。

此外，針對降水過程，研究對圖神經網路 ChebNet 進行局部化改進，使其基本保持效果的同時，避免全局運算，大幅降低計算複雜度。

圖 1：omega-GNN 模型示意圖。 （資料來源：論文）

模型比對結果表明，該研究提出的兩個物理約束模型omega-GNN 和omega-EGNN 相較於數值模式，顯著提升各分類降水預報技巧，同時其性能優於目前主流的無物理約束深度學習模型（如U-NET，3D-CNN 等）。

此外，研究對所有深度學習模型均進行了十組擾動，使其可以進行集合預報。結合診斷和個案分析發現，物理約束的模型顯著優於無物理約束模型，對於強降水的預報，omega-GNN 模型和 omega-EGNN 模型集合間一致性較高，且預報技巧較好。

圖 2：各模型（a）TS評分，（b-g）相對於數值模式的 TS 差值空間分佈（20mm/6h 閾值以上降水）。 （資料來源：論文）

論文通訊作者黃剛研究員說：「我們團隊在氣候動力方向有較多積累，近年來在利用AI 提升天氣氣候預測方向做了一些嘗試，相關成果多次獲得相關競賽獎。在AI 大模型時代下，物理如何與AI 融合是一個大問題，有許多融合的途徑和思路。我們結合大氣、氣候動力的一些思考，從物理耦合的角度對模型進行軟約束，在這個方向上做了一些嘗試，希望可以為相關領域提供一些增量信息。」

該研究由中國科學院大氣物理研究所碩士生陳昱同、汪亞博士、黃剛研究員和中國氣象局廣州熱帶海洋氣象研究所田群博士合作完成。

參考內容：https://iap.cas.cn/gb/xwdt/kyjz/202401/t20240119_6959543.html

以上是應用物理耦合圖神經網路提升中國科學院大氣物理研究所的降水預報技巧的詳細內容。更多資訊請關注PHP中文網其他相關文章！