Maschinelles Lernen vs. Dynamische Modelle, Die Neueste Forschung Von Ai2: ACE2 Kann Eine 4-monatige Saisonprognose in Nur 2 Minuten Erstellen
Von der Bewässerungsplanung für Ackerland bis hin zur Prävention und Kontrolle von Kältewellen sind saisonale Wettervorhersagen für die Katastrophenvorsorge und -minderung, die landwirtschaftliche Produktion und die Energieplanung von entscheidender Bedeutung. Lange Zeit basierten diese Prognosen auf dynamischen Modellen, die auf physikalischen Gleichungen basierten. Mit der Weiterentwicklung der KI können maschinelle Lernmodelle jedoch mittlerweile in wichtigen Kennzahlen mit traditionellen Modellen konkurrieren und erreichen in einigen Szenarien sogar eine höhere Genauigkeit.
Der Hauptvorteil von Modellen des maschinellen Lernens ist die „autoregressive Prognose“:Durch die Simulation kurzfristiger atmosphärischer Entwicklungen über einen Zeitraum von ein bis sechs Stunden und die Einspeisung der Prognoseergebnisse in das Modell entstehen hochpräzise mehrtägige Vorhersagen. Einige Modelle können wochenlang genaue Vorhersagen liefern, und großräumige Ensemble-Vorhersagen können zudem die Wahrscheinlichkeit extremer Wetterereignisse verbessern. Es gibt jedoch erhebliche Engpässe: Vorhersagen, die mehrere Wochen umfassen, neigen zu geringerer Stabilität und Detailverlust, wodurch die Anforderungen an saisonale Zeitskalen nur schwer erfüllt werden können. Darüber hinaus sind die physikalischen Mechanismen der Modelle schwer zu interpretieren, und die Stichprobengröße für saisonale Vorhersagen ist klein (nur eine unabhängige Stichprobe pro Jahr). Die Verwendung physikalischer Modellsimulationsdaten zur Erweiterung des Trainingsdatensatzes bringt zudem Fehler mit sich.
In diesem technischen KontextEin Forschungsteam bestehend aus dem Met Office Exeter Hadley Centre, der University of Exeter und dem Allen Institute for Artificial Intelligence (Ai2) in den USA evaluierte das zuvor entwickelte maschinelle Lernwettermodell ACE2 und verglich es mit dem dynamischen Modell GloSea.Die Ergebnisse zeigen, dass ACE2 die Stabilität langfristiger autoregressiver Prognosen aufrechterhalten kann und vorläufiges Potenzial für saisonale Vorhersagen ohne komplexe Ozean-Luft-Kopplung besitzt, indem es einfach die atmosphärische Entwicklung aus historischen ERA5-Daten lernt. Diese Studie bestätigt erstmals, dassMithilfe von Modellen des maschinellen Lernens können hochqualifizierte globale Saisonprognosen erstellt werden, die neue Wege für die Entwicklung von Technologien zur kurzfristigen Klimavorhersage aufzeigen.
Die entsprechenden Forschungsergebnisse wurden in npj Climate and Atmospheric Science unter dem Titel „Skilful global seasonal predictions from a machine learning weather model trained on reanalysis data“ veröffentlicht.
Papieradresse:
Folgen Sie dem offiziellen Konto und antworten Sie mit „ACE2“, um das vollständige PDF zu erhalten
Weitere Artikel zu den Grenzen der KI:
Datensatz: Integration von Daten aus mehreren Quellen zur Auswertung saisonaler Prognosemodelle
Diese Studie integriert Daten aus mehreren Quellen, um die Bewertung saisonaler Prognosemodelle zu unterstützen. Die wichtigsten Datenquellen und Verarbeitungsmethoden sind:
Historische atmosphärische Basisdaten stammen aus dem ERA5-Reanalysedatensatz,Um die Stabilität der Meeresoberflächentemperatur (SST) und der Meereisbedingungen während des gesamten Prognosezeitraums sicherzustellen, wurde im Rahmen der Studie auf jede Gitterzelle ein gleitender Gaußscher Mittelwertfilter mit einer Standardabweichung von 10 Tagen angewendet, der auf atmosphärischen Rohdaten mit einer Auflösung von 6 Stunden basiert, um ein Klimahintergrundfeld zu erstellen, das saisonale Variationsmerkmale mit der Stabilität der Randbedingungen kombiniert.
Die monatlichen Niederschlagsbeobachtungsdaten stammen aus dem Datensatz v2.3 des Global Precipitation Climatology Project (GPCP).Stellen Sie einen Beobachtungsmaßstab zur Überprüfung nachfolgender Niederschlagsprognoseergebnisse bereit.
Die für den Vergleich verwendeten traditionellen dynamischen Modelldaten wurden aus dem operationellen Ensemble-Vorhersagesystem GloSea (konfiguriert als GC3.2) gewonnen, unter Verwendung von Rückprognosedaten, die jährlich von 1993 bis 2015 initialisiert wurden. Dieses System besteht aus 63 Ensemblemitgliedern, die in drei Batches initialisiert wurden (je 21 Mitglieder am 25. Oktober, 1. November und 9. November jeden Jahres). Die Ensemble-Streuung wird mithilfe eines stochastischen physikalischen Verfahrens erzeugt. Seine Simulationen haben einen Vorhersagehorizont von sechs Monaten mit einer Auflösung von etwa 0,5° für die Atmosphäre und 0,25° für die Ozeane. Das Modell hat 85 vertikale Ebenen für die Atmosphäre (die sich bis 85 km in die Stratosphäre erstrecken) und 75 vertikale Ebenen für die Ozeane. Es eignet sich hervorragend für untersaisonale bis saisonale Vorhersagen in tropischen und mittleren Breiten und stellt ein führendes dynamisches Modell auf diesem Gebiet dar.
Um den Vergleichsmaßstab der Prognoseergebnisse zu vereinheitlichen,Alle ERA5-Reanalysedaten und GloSea-Modelldaten in dieser Studie wurden durch bilineare Interpolation in das native 1°×1°-Raster von ACE2 konvertiert und nur die Niederschlagsdaten wurden in ein 2,5°×2,5°-Raster interpoliert.Um wichtige Klimasignale präzise zu quantifizieren, wurden im Rahmen der Studie zentrale Klimaindizes definiert und validiert. ENSO-Ereignisse wurden anhand des Ocean Niño Index (ONI) für Dezember und Februar (DJF) mit einem Schwellenwert von ±0,5 K bestimmt. Acht El-Niño-Winter und neun La-Niña-Winter wurden identifiziert. Der NAO-Index ist definiert als die Differenz des mittleren Luftdrucks auf Meereshöhe zwischen der Nord-Süd-Region (20°N-55°N und 55°N-90°N).
In der Phase der Ensembleauswahl und der Bewertung der Prognoseleistung wählte diese Studie Mitglieder aus einem bestimmten Initialisierungszeitraum aus, um die Vergleichbarkeit zu gewährleisten: ACE2 initialisierte Mitglieder vom 28. Oktober bis 1. November (n=20) und GloSea initialisierte Mitglieder am 1. November (n=21). NAO-Werte wurden zu einem 5-Tage-Klimamittelwert aggregiert und der klimatologische Durchschnittszustand entfernt. Die Studie berechnete den Ensemble-Mittelwertfehler (RMSEₚ) und die Streuung (basierend auf σᵢₚ). Die Leistung wurde aus einer Signal-Rausch-Perspektive mithilfe des vorhersagbaren Komponentenverhältnisses (RPC) bewertet, wobei die Signifikanz mithilfe einer zufälligen Resampling-Methode getestet wurde.
Saisonale Prognoseimplementierung des ACE2-Modells: Kombination datenbasierter und physikalischer Einschränkungen
Das in dieser Studie verwendete maschinell lernende Atmosphärenmodell ACE2 basiert auf der „Kombination datengesteuerter und physikalischer Einschränkungen“ als zentrales Designkonzept.Das Modell wurde ausschließlich mit atmosphärischen Feldern aus der ERA5-Reanalyse trainiert und prognostiziert die Entwicklung des atmosphärischen Zustands alle sechs Stunden mit einer Rasterauflösung von 1°. Dabei weist es eine ausgezeichnete Stabilität bei langfristigen autoregressiven Prognosen auf. Diese Leistungsfähigkeit ist auf drei wesentliche Designmerkmale zurückzuführen: eine sphärische Fourier-Neuraloperator-Architektur, die atmosphärische Entwicklungsmuster im sphärischen Raum effektiv erfasst; benutzerdefinierte Randbedingungen für Ozean und Meereis zur Berücksichtigung unterschiedlicher Prognoseszenarien; und Einschränkungen wichtiger physikalischer Prozesse wie Massenerhaltung, Wasserdampfzirkulation, Niederschlagsrate und Strahlungsfluss, um physikalisch konsistente Prognoseergebnisse zu gewährleisten.
Bei saisonalen Prognosen verwendet ACE2 eine verzögerte Ensemblemethode zur Generierung von Prognoseergebnissen.Im Zeitraum von 1993 bis 2015 initialisierte das Modell vom 25. Oktober bis 9. November jedes Jahres alle sechs Stunden ein Ensemblemitglied und generierte so insgesamt 64 Mitglieder. Alle Initialisierungsfelder wurden aus ERA5-Reanalysedaten abgeleitet, um die Authentizität der Anfangszustände sicherzustellen. Die Prognosen wurden vom Zeitpunkt der Initialisierung bis Mitte März des Folgejahres aufrechterhalten, was einem Prognosezeitraum von ein bis drei Monaten entspricht.
Zur Verarbeitung der Randbedingungen verwendet ACE2 kontinuierliche Daten zur Meeresoberflächentemperatur (SST) und zu Meereisanomalien.Basierend auf der momentanen Anomalie jeder Gitterzelle zum Zeitpunkt der Initialisierung, kombiniert mit einem aus ERA5-Daten abgeleiteten Klimazustand mit einer Auflösung von 6 Stunden, bleibt diese Anomalie während des gesamten Prognosezeitraums unverändert. Diese Strategie trägt im Gegensatz zu den beim Training verwendeten zeitvariablen Randbedingungen dazu bei, die durch Randschwankungen verursachten Störungen in saisonalen Prognosen zu reduzieren. Der Klimazustand basiert auf 23 Jahren ERA5-Daten von 1994 bis 2016, geglättet mit einem Gauß-Filter mit einer Standardabweichung von 10 Tagen. Die SST-Grenze für jede Gitterzelle zum Zeitpunkt t wird mithilfe der Formel berechnet. Die Meereiskonzentration wird auf die gleiche Weise behandelt, und das Ergebnis ist streng auf einen sinnvollen Bereich von 0–1 beschränkt.
Darüber hinaus wurden der abwärts gerichtete kurzwellige Strahlungsfluss von der Obergrenze der Atmosphäre und die globale mittlere CO₂-Konzentration mit dem traditionellen dynamischen Modell GloSea modelliert, um konsistente Randbedingungen für den Vergleich zu gewährleisten. Die Empfindlichkeit von ACE2 gegenüber diesen beiden Randbedingungen bedarf weiterer Untersuchungen.
Um die Sensitivität dieser Randbedingungen zu bewerten, wurden im Rahmen der Studie mehrere kontrollierte Experimente durchgeführt. Bei der Verwendung von Daten aus den Jahren 1988 bis 2022 zur Ableitung des Klimazustands betrug der NAO-Korrelationskoeffizient 0,54; bei Verwendung des kurzwelligen Strahlungsflusses des Vorjahres betrug der NAO-Korrelationskoeffizient 0,43; und bei Verwendung der CO₂-Daten des Vorjahres betrug der NAO-Korrelationskoeffizient 0,38. Diese Ergebnisse stimmen mit einem natürlichen Variabilitätstest überein (bei dem der NAO-Korrelationskoeffizient 0,42 betrug, wenn die Initialisierung um 6 Stunden verzögert wurde), was darauf hindeutet, dass ACE2 während der aktuellen saisonalen Vorhersagemission unempfindlich gegenüber diesen Randbedingungsschwankungen ist und eine gute Prognosestabilität aufweist.
ACE2 demonstriert hervorragende Prognosefähigkeiten basierend auf nur 6 Stunden Training zur Beobachtung der Evolution
Zahlreiche Studien haben bestätigt, dass maschinelles Lernen nicht nur technologische Innovationen in der kurzfristigen Wettervorhersage gefördert, sondern auch neue Wege für die Entwicklung kurzfristiger Klimavorhersagen (auf saisonaler Ebene) eröffnet hat.
Wie in der folgenden Abbildung dargestellt, zeigte das ACE2-Modell über den 23-jährigen Auswertungszeitraum (1993–2015) bei saisonalen Vorhersagen mit Zeithorizonten von 1–3 Monaten sehr ähnliche Fähigkeitenverteilungsmerkmale wie das traditionelle dynamische Modell GloSea, insbesondere bei der Vorhersage des mittleren Meeresspiegeldrucks (MSLP). Es ist anzumerken, dass das Kernziel von ACE2 in der Erzielung stabiler Klimasimulationen besteht und es nicht speziell für saisonale Vorhersagen optimiert wurde. Daher ist diese szenarienübergreifende Leistungskonsistenz als Referenz wertvoller. Ähnlich wie bei GloSea ist die MSLP-Vorhersagefähigkeit von ACE2 über Europa relativ gering, was die allgemeinen Herausforderungen der komplexen Klimavariabilität und der Prognoseschwierigkeiten in dieser Region widerspiegelt.
Quantitativ ist der Korrelationskoeffizient von ACE2 in den meisten Regionen etwas niedriger als der von GloSea. Wie die folgende Abbildung zeigt, verfügt ACE2 hinsichtlich Temperaturprognosen über ein breites Spektrum, das Südamerika, Afrika, Australien und Teile Nordamerikas abdeckt. Das Verteilungsmuster seiner Fähigkeiten entspricht weitgehend den MSLP-Prognosen: Der flächengewichtete durchschnittliche Korrelationskoeffizient von ACE2 für die gemäßigte Zone der nördlichen Hemisphäre beträgt 0,41 (GloSea 0,45), während er für die tropischen Regionen 0,68 bzw. 0,77 beträgt.
Bei Niederschlagsvorhersagen ist die Gesamtgüte beider Modelle relativ gering. Wie die Abbildung unten zeigt, ist die räumliche Verteilung der Güte von ACE2 bemerkenswert konsistent mit GloSea, insbesondere in den Tropen, der Karibik und Ostasien. Dieses Ergebnis bestätigt die Fähigkeit von ACE2, saisonale Schwankungen in verschiedenen Regionen der Welt vorherzusagen.
Die beiden Modelltypen zeigen auch bei den NAO-Prognosen eine erhebliche Komplementarität. Der Korrelationskoeffizient zwischen den NAO-Prognosen von ACE2 und GloSea betrug lediglich 0,34 (p=0,11). Nach der Ensemble-Mittelung der beiden Ergebnisse stieg der Korrelationskoeffizient jedoch auf 0,65 (p<0,01). Damit ist die Genauigkeit mit der des erweiterten Ensembles von GloSea mit 127 Mitgliedern vergleichbar. Die Entwicklung der Ensemble-Streuung und des mittleren Fehlers, wie in der folgenden Abbildung dargestellt, zeigt ebenfalls eine hohe Übereinstimmung zwischen beiden, was die Rationalität der ACE2-Ensemble-Prognose weiter bestätigt.
ACE2 zeichnet sich auch durch die Erfassung wichtiger Klimamodi aus und simuliert die Telekonnektion der El Niño-Southern Oscillation (ENSO). Wie in der folgenden Abbildung dargestellt, zeigt der Vergleich der zusammengesetzten Unterschiede in den Klimafeldern zwischen El Niño- und La Niña-Jahren, dass die von ACE2 für zwei Schlüsselvariablen, MSLP und Oberflächentemperatur, gezeigten Telekonnektionsmuster in hohem Maße mit den ERA5-Reanalysedaten und den GloSea-Simulationsergebnissen übereinstimmen.Es wurde bestätigt, dass ACE2 selbst mit einem nur 6-stündigen Training zur atmosphärischen Entwicklung die interannuellen Variabilitätssignale im Zusammenhang mit ENSO in mehreren Regionen der Welt genau identifizieren kann.
Die Grenzen von ACE2 zeigten sich jedoch bei den Vorhersagen des extremen Winters 2009/2010: Der Ensemble-Mittelwert reproduzierte die negative NAO-Anomalie des MSLP nicht genau und simulierte nur einen leicht überdurchschnittlichen arktischen Druck. Simulationen des stratosphärischen Polarwirbels lagen nahe am klimatologischen Durchschnitt, während sowohl ERA5 als auch GloSea eine deutliche Abschwächung des Polarwirbels zeigten. Bei den SSW-Vorhersagen erfasste GloSea die verstärkenden Effekte von ENSO und der östlichen QBO auf die SSW-Wahrscheinlichkeit. ACE2 zeigte stratosphärische Ostwinde nur im Mitglied 39%, ohne Unterschied im klimatologischen Vorkommen zum Mitglied 40%. Darüber hinaus zeigten die simulierten SSW-Wahrscheinlichkeiten keinen statistischen Unterschied zwischen El-Niño-Jahren (45%), La-Niña-Jahren (36%) und neutralen Jahren (41%), was darauf hindeutet, dass die Fernverbindung zwischen ENSO und der Stratosphäre nicht vollständig erfasst wurde.
Der wesentliche Vorteil von Modellen des maschinellen Lernens spiegelt sich auch in der Rechenleistung wider. ACE2 erstellt eine 4-monatige Saisonprognose in weniger als 2 Minuten auf einer einzelnen NVIDIA A100-GPU.Eine einzelne Simulation eines herkömmlichen dynamischen Modells würde auf einem Supercomputer mehrere Stunden dauern. Dieser Effizienzvorteil eröffnet neue Möglichkeiten für technologische Innovationen bei saisonalen Prognosen.
Zusammenfassend lässt sich sagen, dass die Prognoseergebnisse der ACE2-Reihe deutlich zeigen, dass Methoden des maschinellen Lernens nicht nur für kurzfristige Wettervorhersagen geeignet sind, sondern auch neue Wege für technologische Durchbrüche und operative Anwendungen in kurzfristigen Klimaprognosen eröffnen und so wichtige technische Unterstützung für Klimarisikowarnungen im Kontext des globalen Klimawandels bieten können.
Globale akademische und industrielle Zusammenarbeit: KI verändert die Wettervorhersage
Die rasante Entwicklung der künstlichen Intelligenz hat in den letzten Jahren die Wettervorhersage grundlegend verändert und insbesondere in der Saison- und Klimavorhersage großes Potenzial gezeigt. Universitäten und Forschungseinrichtungen erzielen immer wieder bahnbrechende theoretische Innovationen. BeispielsweiseDas vom Massachusetts Institute of Technology (MIT) entwickelte CERA-Framework für maschinelles Lernen bietet einen neuen Weg zur Klimavorhersage im Kontext der globalen Erwärmung.Dieses Modell basiert nicht auf gekennzeichneten Daten aus einem Szenario mit hohen Treibhausgasemissionen. Stattdessen kombiniert es kontrollierte Klimadaten mit unmarkierten warmen Klimadaten und verbessert so die Generalisierungsfähigkeit des Modells unter unbekannten Klimabedingungen. CERA erfasst nicht nur die sich ändernden Trends wichtiger Klimaelemente wie Feuchtigkeitstransport und Energiezyklen, sondern stellt auch die vertikale Struktur und meridionale Verteilung des Wasserdampfs wieder her und zeigt damit eine hohe Genauigkeit bei der Vorhersage der Wahrscheinlichkeit extremer Niederschläge.
Die Geschäftswelt konzentriert sich stärker auf die Förderung der Technologieimplementierung und Effizienzsteigerung und setzt sich für die Integration von Modellen des maschinellen Lernens in tatsächliche Geschäftssysteme ein.Das von Google DeepMind entwickelte GraphCast-Modell ermöglicht die minutengenaue Generierung globaler 10-Tage-Wettervorhersagen auf Basis von Graph-Neural-Networks.Viele seiner Prognoseindikatoren haben die traditionellen numerischen Modelle des Europäischen Zentrums für mittelfristige Wettervorhersage (EZMW) übertroffen und bieten eine wichtige Unterstützung für die Katastrophenhilfe.
Nvidia hat FourCastNet in Zusammenarbeit mit der National Oceanic and Atmospheric Administration (NOAA) und anderen Behörden eingeführt.Durch die Verwendung von Fourier-Neuraloperatoren zur Erzielung einer hochauflösenden globalen Modellierung ist die Vorhersagezeit extremer Wetterereignisse 12 bis 24 Stunden früher als bei herkömmlichen Methoden, was mehr Reaktionszeit für die Katastrophenprävention und -minderung verschafft.
Mit Blick auf die Zukunft wird erwartet, dass maschinelles Lernen mit der Vertiefung der interdisziplinären Zusammenarbeit, der Verbesserung hochwertiger meteorologischer Datensätze aus mehreren Quellen und der kontinuierlichen Weiterentwicklung des hybriden Modellierungsrahmens „physikalische Einschränkungen + datengesteuert“ zum Kern der nächsten Generation von Klimavorhersagesystemen wird und zuverlässigere wissenschaftliche Unterstützung für die Reaktion auf den Klimawandel, die Sicherung der landwirtschaftlichen Produktion und die Verbesserung der Fähigkeiten zur Katastrophenvorbeugung bietet.
Referenzlinks:
1.https://mp.weixin.qq.com/s/Q5zJUwpeT88DvojgAA1afA
2.https://mp.weixin.qq.com/s/ZqlLWpoDSdFo82Qw44Sb3A