EOS: Физика встречается с машинным обучением для лучшего прогнозирования циклонов
Новый гибридный подход к моделированию объединяет модели на основе физики и машинного обучения для расширения и улучшения прогнозов траектории и интенсивности тропических циклонов.
Время имеет решающее значение в прогнозировании тропических циклонов: чем больше заблаговременность предупреждения у сообщества, тем лучше будут подготовлены его члены, когда шторм обрушится на сушу. В настоящее время путь и характер тропических циклонов можно предсказать всего за пять дней. Но в новом исследовании Лю и др. (Liu et al.) рассмотрели новый способ прогнозирования этих штормов, который может увеличить это время до двух недель.
Исследователи создали гибридную модель для долгосрочного прогнозирования тропических циклонов, объединив качество и высокое разрешение модели Weather Research and Forecasting (WRF) на основе физики с возможностями моделирования крупномасштабной циркуляции и траектории штормов модели машинного обучения под названием Pangu- Weather (Pangu).
WRF делит поверхность Земли сеткой с квадратами размером стороны всего два километра, имитируя процессы, происходящие в ходе эволюции тропического циклона. Однако физические модели, такие как WRF, имеют некоторые ограничения в прогнозировании уровней интенсивности штормов, поскольку они не всегда учитывают изменяющиеся факторы окружающей среды, такие как температура поверхности моря или взаимодействие с другими штормами. Модели прогнозирования на основе машинного обучения лучше прогнозируют пути тропических циклонов, но 25-километровое разрешение Pangu означает, что она может упустить изменчивость меньшего масштаба в развивающемся шторме.
Чтобы уменьшить эти ограничения, исследователи объединили подходы моделей WRF и Pangu. Они провели шесть экспериментов в течение двух недель, чтобы проверить модельную конструкцию. После корректировки своих моделей они протестировали подход на Фредди 2023 года — самом продолжительном тропическом циклоне за всю историю наблюдений — в качестве примера.
Они обнаружили, что гибридный подход значительно улучшил прогнозы отслеживания и интенсивности по сравнению с использованием только одного метода моделирования. Их подход также увеличил точность прогнозов с пяти до семи дней и точно соответствовал пути и интенсивности Фредди в течение всех двух недель. Авторы отмечают, что при большем количестве испытаний на тропических циклонах их подход к моделированию может увеличить время предупреждения на более продолжительные сроки, помогая сообществам, находящимся в зоне риска, лучше подготовиться к сильным штормам. (Journal of Geophysical Research: Machine Learning and Computation, https://doi.org/10.1029/2024JH000207, 2024)
Ссылка: https://eos.org/research-spotlights/physics-meets-machine-learning-for-better-cyclone-predictions