Atmosphere: Применение методов глубокого обучения для обнаружения атмосферных рек в Арктике
Арктика быстро нагревается, при этом атмосферные реки (АР) усиливают таяние льдов, экстремальные осадки и резкие изменения температуры. Обнаружение АР в Арктике остаётся сложной задачей, поскольку алгоритмы их обнаружения, разработанные для средних широт, плохо работают в полярных регионах. В этом исследовании представлена региональная модель сегментации изображений на основе глубокого обучения для обнаружения АР в Арктике, использующая климатические модели с большим ансамблем. Авторы анализируют исторические модели из проекта «Изменение климата в Арктике и Северной Атлантике и его воздействие на Великобританию» (Climate Change in the Arctic and North Atlantic Region and Impacts on the UK, CANARI), который предоставляет большую, внутренне согласованную выборку событий АР с 6-часовым разрешением и позволяет проводить тщательное сравнение климатологии АР в модельных и реанализных данных. Был адаптирован полярный алгоритм обнаружения АР на основе правил для их маркировки в моделируемых данных с использованием нескольких пороговых значений, что обеспечивает обучающие данные для модели сегментации и поддерживает анализ чувствительности. Модели на основе U-Net* обучаются на полях интегрированного переноса водяного пара, общего содержания водяного пара в столбе атмосферы и скорости ветра на уровне 850 гПа. Авторы количественно оценивают, как идентификация атмосферных рек зависит от выбора пороговых значений в алгоритме, основанном на правилах, и показывают, как это влияет на модели на основе U-Net. Это исследование представляет собой первое использование ансамбля CANARI для обнаружения атмосферных рек в Арктике и представляет собой единую структуру, объединяющую методы, основанные на правилах, и методы глубокого обучения для оценки чувствительности модели и устойчивости обнаружения. Полученные результаты показывают, что сегментация с использованием глубокого обучения обеспечивает высокую точность и устраняет необходимость в настройке пороговых значений, предоставляя согласованную и переносимую структуру для обнаружения атмосферных рек в Арктике. Этот единый подход улучшает оценку переноса влаги в высоких широтах и способствует более качественной оценке экстремальных явлений в Арктике в условиях изменения климата.
* U-Net — это свёрточная нейронная сеть, созданная в 2015 году для сегментации биомедицинских изображений.