Новые модели графовых нейронных сетей улучшают прогнозирование осадков

Исследовательская группа под руководством профессора Хуан Гана из Института физики атмосферы Китайской академии наук добилась прогресса в улучшении прогноза осадков, используя новый подход. Команда применила данные и вычислительные мощности нового объекта для численного моделирования системы Земли EarthLab, чтобы повысить навыки прогнозирования осадков численными моделями.

Ключевым нововведением стало использование графовых нейронных сетей для введения физических ограничений. Исследователи сфокусировались на связи физических переменных, влияющих на осадки, таких как вертикальные движения и изменения водяного пара, описанные уравнениями омега и водяного пара. Эти уравнения были абстрагированы в структуру сети. Модель также учитывала климатические факторы, такие как сезонность и Эль-Ниньо (ENSO), с помощью техник эмбеддинга сущностей.

Сравнение предложенных моделей omega-GNN и omega-EGNN с численными моделями показало значительное улучшение навыков прогноза осадков различных категорий. Их производительность превзошла популярные модели глубокого обучения без физических ограничений, такие как U-NET и 3D-CNN. Ансамблевое прогнозирование продемонстрировало превосходную согласованность и навыки прогноза моделей с физическими ограничениями, особенно для событий сильного дождя.

«В эпоху ИИ интеграция физики — это серьёзная задача. Наша команда, опираясь на знания атмосферной и климатической динамики, экспериментировала с применением мягких ограничений к моделям с точки зрения физической связи, стремясь внести дополнительную информацию в соответствующие области», — отметил профессор Хуан Ган. Результаты исследования опубликованы в журнале Geophysical Research Letters.