Новый метод точнее предсказывает экстремальные погодные явления
С повышением частоты экстремальных погодных явлений в условиях потепления климата точные прогнозы становятся критически важными. Однако современные климатические модели не могут точно предсказывать интенсивность осадков, особенно их экстремальные значения. Они показывают меньший разброс осадков со смещением в сторону слабых дождей, в то время как в природе наблюдается большое разнообразие и множество экстремумов.
Ключевой недостаток традиционных параметризаций климатических моделей — отсутствие способа описать структуру и организацию облаков на слишком мелких масштабах, не улавливаемых вычислительной сеткой. Эта неучтенная информация влияет на прогнозы как интенсивности осадков, так и их стохастичности (вариабельности случайных флуктуаций). Команда под руководством Пьера Жантина из центра LEAP использовала глобальное моделирование с разрешением отдельных штормов и машинное обучение, чтобы создать алгоритм, раздельно работающий с двумя масштабами организации облаков: разрешаемым моделью и субгридным (слишком мелким).
«Наша работа дает ответ на многолетние дебаты в научном сообществе о необходимости учета организации облаков и предлагает новое решение, — отметил Жантин. — Показ того, что включение этой информации может значительно улучшить прогноз интенсивности и изменчивости осадков, особенно важен».
Для решения задачи аспирантка Сара Шамех разработала нейросетевой алгоритм, который самостоятельно, не по заданной метрике, обучается определять степень кластеризации (организации) облаков на мелких масштабах и использовать эту информацию для улучшения прогноза осадков. Алгоритм обучался на поле влажности высокого разрешения.
«Мы обнаружили, что наша метрика организации почти полностью объясняет изменчивость осадков и может заменить стохастическую параметризацию в климатических моделях, — сказала Шамех, ведущий автор исследования в PNAS. — Ее включение значительно улучшило прогноз осадков в масштабе, релевантном для климатических моделей, точно предсказывая экстремумы осадков и пространственную изменчивость».
Исследователи уже начали применять этот машинно-обучаемый подход, неявно учитывающий субгридную организацию облаков, в климатических моделях. Это должно значительно улучшить прогнозирование интенсивности и изменчивости осадков, включая экстремальные явления, и позволит ученым точнее проектировать будущие изменения водного цикла и экстремальных погодных режимов. Новый подход также открывает пути для изучения новых вопросов, например, наличия «памяти» в климатической системе, и может найти применение за пределами моделирования осадков, включая улучшенное моделирование ледяных щитов и поверхности океана.