Новое исследование оценивает производительность генеративно-состязательных сетей для стохастической параметризации.

Качество моделей погоды и климата значительно улучшилось в последние годы, поскольку достижения в одной области имели тенденцию приносить пользу другой. Но все ещё существует значительная неопределённость в модельных результатах. Это имеет место потому, что процессы, управляющие климатом и погодой, хаотичны, сложны и взаимосвязаны так, что исследователям ещё предстоит их описать с помощью сложных уравнений, которые приводят в действие численные модели.

Исторически исследователи использовали приближения, называемые параметризацией, для моделирования взаимосвязей, лежащих в основе мелкомасштабных атмосферных процессов и их взаимодействия с крупномасштабными атмосферными процессами. Стохастические параметризации становятся все более распространёнными для представления неопределённости в подсеточных процессах, и они способны производить довольно точные прогнозы погоды и климата. Но это все ещё математически сложный метод. Теперь исследователи обращаются к машинному обучению, чтобы повысить эффективность математических моделей.

Gagne et al. оценили использование класса сетей машинного обучения, известных как генеративно-состязательные сети, для тестовой модели внетропической атмосферы - модели, впервые представленной Эдвардом Лоренцем в 1996 году и известной как система L96, которая часто используется в качестве испытательного стенда для схем стохастической параметризации. Исследователи обучили 20 генеративно-состязательных сетей с различными величинами шума и определили набор, который превзошел вручную настроенную параметризацию в L96. Авторы обнаружили, что успех генеративно-состязательных сетей в предоставлении точных прогнозов погоды предопределён их эффективностью при моделировании климата: генеративно-состязательные сети, предоставляющие наиболее точные прогнозы погоды, также показали лучшие результаты при моделировании климата, но они не работали также хорошо в автономных оценках.

Исследование предоставляет одну из первых практически важных оценок для машинного обучения при неопределённых параметризациях. Авторы приходят к выводу, что генеративно-состязательные сети являются многообещающим подходом для параметризации мелкомасштабных, но неопределённых процессов в моделях погоды и климата.

Ссылка: https://eos.org/research-spotlights/machine-learning-improves-weather-and-climate-models