Машинное обучение ускоряет моделирование климатических моделей с более высоким разрешением, что делает их пригодными для использования на местном уровне.

Важные новости

Машинное обучение ускоряет моделирование климата симуляции с более высоким разрешением, что делает их пригодными для использования на локальном уровне

Новый метод уменьшения масштаба, используемый в моделях климата, использует машинное обучение для улучшения разрешения в более мелких масштабах. Делая эти симуляции более актуальными для местных регионов, политики получают лучший доступ к информации, необходимой для действий по борьбе с изменением климата. Фото: Массачусетский технологический институт

Климатические модели являются ключевой технологией в прогнозировании последствий изменения климата. Моделируя климат Земли, ученые и политики могут оценить такие условия, как повышение уровня моря, наводнения и повышение температуры, и принять решения о том, как правильно реагировать. Но нынешние климатические модели с трудом могут предоставить эту информацию быстро или по доступной цене, чтобы она была полезна в меньших масштабах, таких как размер города.

Теперь авторы новой статьи, опубликованной в Journal of Достижения в моделировании систем Землинашли метод использования машинного обучения для использования преимуществ существующих климатических моделей, одновременно сокращая вычислительные затраты, необходимые для их запуска.

«Это переворачивает традиционную мудрость с ног на голову», — говорит Сай Равела, исследователь главный научный сотрудник Департамента наук о Земле, атмосфере и планетах Массачусетского технологического института (EAPS), написавший статью вместе с постдоком EAPS Анамитрой Саха.

Традиционная мудрость

В моделировании климата даунскейлинг — это процесс использования глобальной климатической модели с грубым разрешением для получения более мелких деталей в более мелких регионах. Представьте себе цифровую картину: глобальная модель — это большая картина мира с небольшим количеством пикселей. Чтобы уменьшить масштаб, вы увеличиваете масштаб только той части фотографии, которую хотите посмотреть – например, Бостон. Но поскольку исходное изображение имело низкое разрешение, новая версия получилась размытой; в нем недостаточно подробностей, чтобы быть особенно полезным.

«Если вы переходите от грубого разрешения к высокому, вам придется каким-то образом добавлять информацию», — объясняет Саха. При уменьшении масштаба пытаются добавить эту информацию обратно, заполняя недостающие пиксели. «Это добавление информации может происходить двумя способами: либо из теории, либо из данных».

Обычное даунскейлинг часто предполагает использование моделей, построенных на основе физики (таких как процесс подъема, охлаждения и конденсации воздуха или ландшафт местности), и дополнение их статистическими данными, взятыми из исторических наблюдений. Но этот метод требует больших вычислительных ресурсов: его запуск требует много времени и вычислительной мощности, а также является дорогостоящим.

И то и другое

В своей новой статье Саха и Равела нашли способ добавить данные другим способом. Они применили технику машинного обучения, называемую состязательным обучением. Он использует две машины: одна генерирует данные для обработки фотографии. Но другая машина оценивает выборку, сравнивая ее с фактическими данными. Если он считает, что изображение поддельное, то первая машина должна повторить попытку, пока не убедит вторую машину. Конечной целью процесса является создание данных сверхвысокого разрешения.

Использование методов машинного обучения, таких как состязательное обучение, не является новой идеей в моделировании климата; с чем он в настоящее время борется, так это с его неспособностью справиться с большими объемами фундаментальной физики, такими как законы сохранения. Исследователи обнаружили, что упрощения физики и дополнения ее статистическими данными из исторических данных было достаточно для получения необходимых результатов.

«Если вы дополните машинное обучение некоторой информацией из статистики и упрощенной физики, то внезапно это станет волшебством», — говорит Равела.

Он и Саха начали с оценки количества экстремальных осадков, удалив более сложные физические уравнения и уделяя особое внимание водяному пару и топографии суши. Затем они сгенерировали общие закономерности выпадения осадков как для гористого Денвера, так и для равнинного Чикаго, применив исторические данные для корректировки результатов.

«Это дает нам экстремальные результаты, как и физика, с гораздо меньшими затратами. И это дает нам скорости, аналогичные статистическим, но с гораздо более высоким разрешением», — продолжает Равела.

Еще одним неожиданным преимуществом результатов было то, насколько мало требовалось обучающих данных. «Тот факт, что всего лишь немного физики и немного статистики было достаточно для повышения производительности модели ML [машинного обучения]… на самом деле с самого начала не был очевиден», — говорит Саха. Обучение занимает всего несколько часов, а результаты могут быть получены за считанные минуты, что лучше, чем месяцы работы других моделей.

Быстрая количественная оценка риска

Возможность запуска моделей быстро и часто является ключевым требованием для заинтересованных сторон, таких как страховые компании и местные политики. Равела приводит пример Бангладеш: видя, как экстремальные погодные явления повлияют на страну, решения о том, какие культуры следует выращивать или куда следует мигрировать населению, можно принимать с учетом очень широкого спектра условий и неопределенностей как можно скорее. <р>«Мы не можем ждать месяцы или годы, чтобы оценить этот риск количественно», — говорит он. «Вам необходимо заглянуть в будущее и учесть большое количество неопределенностей, чтобы иметь возможность сказать, какое решение может быть хорошим».

Хотя текущая модель рассматривает только экстремальные осадки, тренируя ее изучение других критических явлений, таких как тропические штормы, ветры и температура, является следующим шагом проекта. Имея более надежную модель, Равела надеется применить ее в других местах, таких как Бостон и Пуэрто-Рико, в рамках проекта MIT Climate Grand Challenges.

«Мы оба очень воодушевлены предложенной нами методологией. вместе, а также о потенциальных приложениях, к которым это может привести», — говорит он.

Дополнительная информация: Анамитра Саха и др., Statistical-Physical Adversarial. Изучение данных и моделей для уменьшения масштаба экстремальных осадков, Журнал достижений в моделировании систем Земли (2024 г.). DOI: 10.1029/2023MS003860

Предоставлено Массачусетским технологическим институтом

Новости сегодня

Последние новости