Глубокие нейронные сети ускоряют погодные и климатические модели

Прогноз погоды, который вы видите по утрам, с высокой вероятностью рассчитывается с помощью комплексной модели Weather Research and Forecasting (WRF), симулирующей множество аспектов физического мира. Ученые из Аргоннской национальной лаборатории Министерства энергетики США (DOE) используют глубокие нейронные сети (тип машинного обучения) для замены параметризаций — упрощенных физических схем в модели WRF, что значительно сокращает время расчетов.

Это ускорение позволит проводить симуляции с более высоким разрешением для прогнозирования влияния краткосрочных и долгосрочных изменений погодных условий на локальном уровне. В недавнем исследовании ученые сосредоточились на параметризации планетарного пограничного слоя (PBL) — нижнего слоя атмосферы, наиболее подверженного влиянию человеческой деятельности. Используя 20 лет сгенерированных WRF данных для обучения нейросетей, ученые создали алгоритм, способный заменить параметризацию PBL в модели.

«Сотрудничество климатологов и компьютерных ученых было решающим для достигнутых результатов. Включение наших предметных знаний делает алгоритм гораздо более предсказательным», — отметил Рао Котамарти, руководитель отдела атмосферных и климатических исследований. Разработанные «нейронные сети с учетом предметной области» не только точнее предсказывают данные, но и требуют для обучения значительно меньше данных. Ученые планируют заменить все ресурсоемкие параметризации в WRF, начав с параметризаций коротковолнового и длинноволнового солнечного излучения, на которые приходится почти 40% времени расчетов.