大模型時代,純數(shù)據(jù)驅(qū)動的氣象、氣候模型效果逐漸追趕甚至趕超數(shù)值模式。然而,目前氣象、氣候大模型也仍然存在不少問題。比如物理一致性不高、輻散風(fēng)預(yù)報效果不好等等,這些問題限制了對于降水等復(fù)雜天氣氣候現(xiàn)象的預(yù)測能力。目前,將物理、大氣動力與深度學(xué)習(xí)模型結(jié)合成為提升模型能力,解決目前瓶頸問題的一條重要途徑。中國科學(xué)院大氣物理研究所LASG黃剛研究員團隊基于地球系統(tǒng)數(shù)值模擬裝置(寰)的數(shù)據(jù)和DCU算力(國產(chǎn)人工智能加速卡)支持,從物理變量耦合關(guān)系角度出發(fā),結(jié)合圖神經(jīng)網(wǎng)絡(luò)對多變量進行物理軟約束,提升了數(shù)值模式的降水預(yù)報技巧,在物理和AI的融合方向做了一些嘗試和探索。
針對降水預(yù)報的難點問題,尤其是強降水的預(yù)報問題,團隊從降水的影響要素和發(fā)生機制出發(fā),結(jié)合omega方程和水汽方程等進行變量篩選、構(gòu)建變量耦合圖網(wǎng)絡(luò)。Omega方程和水汽方程分別描述了垂直運動和水汽變化,均為影響降水的重要因素。從圖網(wǎng)絡(luò)的角度來看,前述方程反應(yīng)了基本的物理量(溫、風(fēng)、濕等)的非線性組合與降水關(guān)鍵要素之間的關(guān)系,因而可以將其抽象為圖網(wǎng)絡(luò),通過圖網(wǎng)絡(luò)間變量(節(jié)點)和變量間關(guān)系來表征不同物理變量間的組合及耦合。同時,考慮到氣候因子對于天氣尺度的影響,尤其是不同氣候背景下模式誤差系統(tǒng)性的差異,本研究將季節(jié)、ENSO等氣候因子和起報時間等稀疏數(shù)據(jù)使用entity embedding技術(shù)嵌入校正模型,以區(qū)分不同背景下的誤差;此外,針對降水過程,本研究對圖神經(jīng)網(wǎng)絡(luò)ChebNet進行局地化改進,使其基本保持效果的同時,避免全局運算,大幅降低計算復(fù)雜度。
圖1 omega-GNN模型示意
模型比對結(jié)果表明,該研究提出的兩個物理約束模型omega-GNN和omega-EGNN相較于數(shù)值模式,顯著提升各分類降水預(yù)報技巧,同時其性能優(yōu)于目前主流的無物理約束深度學(xué)習(xí)模型(如U-NET,3D-CNN等)。此外,該研究對所有深度學(xué)習(xí)模型均進行了十組擾動,使其可以進行集合預(yù)報。結(jié)合診斷和個例分析發(fā)現(xiàn),物理約束的模型顯著優(yōu)于無物理約束模型,對于強降水的預(yù)報,omega-GNN模型和omega-EGNN模型集合間一致性更高,且預(yù)報技巧更好(圖2)。
圖2 各模型(a)TS評分,(b-g)相對于數(shù)值模式的TS差值空間分布(20mm/6h閾值以上降水)。(a)中error bar為集合間標(biāo)準(zhǔn)差。
“我們團隊在氣候動力方向有較多積累,近幾年在利用AI提升天氣氣候預(yù)測方向做了一些嘗試,相關(guān)成果多次獲得相關(guān)大賽獎項。在AI大模型時代下,物理如何與AI融合是一個大問題,有許多融合的途徑和思路。我們結(jié)合大氣、氣候動力的一些思考,從物理耦合的角度對模型進行軟約束,在這個方向上做了一些嘗試,希望可以為相關(guān)領(lǐng)域提供一些增量信息”。論文通訊作者黃剛研究員說到。
該工作由中國科學(xué)院大氣物理研究所碩士生陳昱同、汪亞博士、黃剛研究員和中國氣象局廣州熱帶海洋氣象研究所田群博士合作完成,近日發(fā)表在《Geophysical Research Letters》。
本研究受到國家自然科學(xué)基金((42261144687,42141019)、第二次青藏高原綜合科學(xué)考察研究項目(2019QZKK0102)共同資助。同時,本研究得到地球系統(tǒng)數(shù)值模擬裝置(寰)的DCU算力和數(shù)據(jù)支持。
Chen, Y., Wang, Y.*, Huang, G.*, & Tian, Q. (2024). Coupling physical factors for precipitation forecast in China with graph neural network. Geophysical Research Letters, 51, e2023GL106676.
https://doi.org/10.1029/2023GL106676