在人工智能时代，纯数据驱动的气象气候模型正在逐渐赶上甚至超越传统数值模型。然而，当前的深度学习模型仍然存在重大挑战，例如物理一致性低和发散风的预测欠佳。这些限制阻碍了对复杂天气和气候现象(包括降水)的预测能力。解决这些挑战的一种有前途的方法是将物理学、大气动力学和深度学习模型结合起来。
中国科学院大气物理研究所黄刚教授领导的研究小组在利用新方法改进降水预报方面取得了重大进展。利用 EarthLab(IAP 开发的新型地球系统科学数值模拟器设施)，该团队利用数据和计算能力来增强数值模型的降水预报技能。他们专注于通过图神经网络(GNN)耦合物理变量，以引入物理约束并提高降水预报的准确性。
针对降水预报，特别是强降水预报的困难，团队首先研究了降水背后的影响因素和机制。他们利用omega方程和水汽方程进行变量选择，并构建了变量耦合图。欧米茄和水汽方程描述了垂直运动和水汽变化，这两个因素都是影响降水的关键因素。图网络将这些方程抽象为网络结构，表示基本物理量的非线性组合以及关键降水因子之间的关系。
考虑到气候因素对天气尺度的影响，特别是不同气候背景下模型误差的系统性差异，研究结合季节性、厄尔尼诺南方涛动(ENSO)、初始化时间等稀疏数据，利用实体嵌入技术来校准模型。此外，研究团队还对用于降水的 ChebNet 图神经网络进行了本地化，在保持其有效性的同时，通过避免全局操作显着降低了计算复杂性。
所提出的模型 omega-GNN 和 omega-EGNN 与数值模型的比较结果表明，各个类别的降水预报技能都有显着提高。这些模型的性能超过了主流的物理无约束深度学习模型，例如 U-NET 和 3D-CNN。此外，通过对所有深度学习模型进行十次扰动实现的集合预测，证明了物理约束 omega-GNN 和 omega-EGNN 模型的卓越一致性和预测能力，特别是对于强降雨事件。
“我们在气候动力学方面积累了丰富的专业知识，近年来，我们探索了利用人工智能增强天气和气候预测的方法，并在相关竞赛中获奖。在人工智能时代，物理的整合是各种方法的重大挑战“我们团队结合大气和气候动力学的考虑，尝试从物理耦合的角度对模型应用软约束，旨在为相关领域贡献增量信息。”论文通讯作者黄刚教授说。 。
该研究结果最近发表在 《地球物理研究快报》杂志上。这项合作由硕士生陈宇通、大气物理研究所王亚博士、黄晃教授和中国气象局广州热带与海洋气象研究所田群博士领导。
免责声明：本文由用户上传，如有侵权请联系删除！
