Исследователи используют глубокое обучение для повышения пространственного и временного разрешения грубых карт осадков

Исследователи из Карлсруэского технологического института (KIT) разработали первый метод на основе искусственного интеллекта (ИИ), позволяющий повысить точность грубых полей осадков, генерируемых глобальными климатическими моделями. Учёным удалось улучшить пространственное разрешение с 32 до 2 километров, а временное — с одного часа до 10 минут.

Такое высокое разрешение необходимо для более точного прогнозирования учащения экстремальных локальных осадков и связанных с ними природных катастроф, таких как наводнения или оползни, в условиях изменения климата. Исследование опубликовано в журнале Earth and Space Science.

«Осадки сильно варьируются в пространстве и времени, и их сложно прогнозировать, особенно на локальном уровне», — говорит доктор Кристиан Чвала из Института метеорологии и исследований климата KIT. Разработанная учёными генеративная нейронная сеть (GAN) обучена на высокоразрешающих радиолокационных полях осадков. Она способна генерировать из грубых данных высокоточные «фильмы» осадков, которые не только показывают развитие дождевых ячеек, но и точно воспроизводят локальную статистику и распределение экстремальных значений.

«Наш метод глубинного обучения на несколько порядков быстрее, чем расчёт таких полей с помощью численных погодных моделей, — отмечает Юлиус Польц. — Он также генерирует ансамбль различных потенциальных полей, что позволяет точнее оценить неопределённость прогноза». В будущем этот подход позволит более точно анализировать воздействие и развитие осадков в меняющемся климате, в том числе моделировать, как погодные условия, вызвавшие, например, наводнение на реке Ар в 2021 году, могли бы проявиться в мире, теплее на 2 градуса.