Блог

Sep 17, 2023

Новый метод более точно предсказывает экстремальные события

НЬЮ-ЙОРК, штат Нью-Йорк — С ростом экстремальных погодных явлений, которые становятся все более

НЬЮ-ЙОРК, штат Нью-Йорк – С ростом экстремальных погодных явлений, которые становятся все более частыми в нашем потеплении климата, точные прогнозы становятся все более важными для всех нас, от фермеров до горожан и предприятий по всему миру. На сегодняшний день климатические модели не могут точно предсказать интенсивность осадков, особенно экстремальных. Хотя в природе количество осадков может быть разным, с множеством экстремальных значений осадков, климатические модели предсказывают меньшую разницу в количестве осадков с уклоном в сторону небольшого дождя.

Исследователи работали разработать алгоритмы, которые повысят точность прогнозов, но, как сообщают ученые-климатологи Columbia Engineering, в традиционных параметризациях климатических моделей отсутствовала часть информации — способ описания структуры и организации облаков, который настолько мелкомасштабен, что его невозможно отразить. используемая вычислительная сетка. Эти организационные измерения влияют на прогнозы как интенсивности осадков, так и их стохастичности, изменчивости случайных колебаний интенсивности осадков. До сих пор не существовало эффективного и точного способа измерения структуры облаков и количественной оценки ее воздействия.

Новое исследование группы под руководством Пьера Жантина, директора Центра изучения Земли с помощью искусственного интеллекта и физики (LEAP), использовало глобальное моделирование разрешения штормов и машинное обучение для создания алгоритма, который может работать отдельно с двумя разными масштабами облаков. организация: те, которые решаются с помощью климатической модели, и те, которые не могут быть решены, поскольку они слишком малы. Этот новый подход устраняет недостающую часть информации в параметризации традиционных климатических моделей и дает возможность более точно прогнозировать интенсивность и изменчивость осадков.

«Наши результаты особенно интересны, потому что на протяжении многих лет научное сообщество обсуждало, включать ли организацию облаков в климатические модели», — сказали Гентин, Морис Юинг и профессор геофизики Дж. Ламара Ворзеля на кафедрах Земли и экологической инженерии и Земли. Науки об окружающей среде и член Института наук о данных. «Наша работа дает ответ на дебаты и новое решение для включения организации, показывая, что включение этой информации может значительно улучшить наши прогнозы интенсивности и изменчивости осадков».

Сара Шамех, аспирантка, работающая с Гентином, разработала алгоритм нейронной сети, который изучает соответствующую информацию о роли мелкомасштабной организации облаков (неразрешенные масштабы) в осадках. Поскольку Шамех не определил метрику или формулу заранее, модель неявно — самостоятельно — учится измерять кластеризацию облаков, метрику организации, а затем использует эту метрику для улучшения прогнозирования осадков. Шамех обучил алгоритм на поле влажности высокого разрешения, определяя степень мелкомасштабной организации.

«Мы обнаружили, что наша организационная метрика почти полностью объясняет изменчивость осадков и может заменить стохастическую параметризацию в климатических моделях», — сказал Шамех, ведущий автор исследования, опубликованного PNAS. «Включение этой информации значительно улучшило прогнозирование осадков в масштабе, соответствующем климатическим моделям, точно предсказывая экстремальные количества осадков и пространственную изменчивость».

В настоящее время исследователи используют свой подход машинного обучения, который неявно изучает метрику подсеточной организации облаков в климатических моделях. Это должно значительно улучшить прогнозирование интенсивности и изменчивости осадков, включая экстремальные осадки, и позволит ученым лучше прогнозировать будущие изменения в круговороте воды и экстремальных погодных условиях в условиях потепления климата.

Это исследование также открывает новые возможности для исследований, таких как изучение возможности того, что осадки создают память, когда атмосфера сохраняет информацию о недавних погодных условиях, что, в свою очередь, впоследствии влияет на атмосферные условия в климатической системе. Этот новый подход может иметь широкое применение, помимо моделирования осадков, включая более качественное моделирование ледникового щита и поверхности океана.