深度神經(jīng)網(wǎng)絡(luò)加快了天氣和氣候模型的速度

當(dāng)您查看早晨的天氣預(yù)報(bào)時(shí)，您看到的結(jié)果很有可能是由天氣研究和預(yù)報(bào)(WRF)模型確定的，該模型是一個(gè)全面的模型，可以模擬我們周圍自然世界的許多方面的變化。

美國能源部(DOE)阿貢國家實(shí)驗(yàn)室的環(huán)境科學(xué)家Wang Jiali說：“它描述了您在窗外看到的一切，從云到太陽的輻射，從雪到植被，甚至還有摩天大樓擾亂了風(fēng)。”

天氣和氣候的無數(shù)特征和原因相互耦合，相互交流?？茖W(xué)家尚未使用簡單的統(tǒng)一方程式充分描述這些復(fù)雜的關(guān)系。取而代之的是，他們使用稱為參數(shù)化的方法對(duì)方程進(jìn)行近似，在該方法中，它們以大于實(shí)際現(xiàn)象的比例對(duì)關(guān)系進(jìn)行建模。

盡管參數(shù)化以某種方式簡化了物理過程，使模型可以在合理的時(shí)間內(nèi)產(chǎn)生相對(duì)準(zhǔn)確的結(jié)果，但是它們?nèi)匀辉谟?jì)算上昂貴。來自Argonne的環(huán)境科學(xué)家和計(jì)算科學(xué)家正在合作使用機(jī)器學(xué)習(xí)的一種類型的深度神經(jīng)網(wǎng)絡(luò)來代替WRF模型中某些物理方案的參數(shù)化，從而顯著減少了仿真時(shí)間。

Wang說：“使用便宜的模型，我們可以實(shí)現(xiàn)更高分辨率的模擬，以預(yù)測天氣模式的短期和長期變化如何影響當(dāng)?shù)胤秶?，甚至包括鄰里或特定的關(guān)鍵基礎(chǔ)設(shè)施。”

在最近的研究中，科學(xué)家將注意力集中在行星邊界層(PBL)或大氣的最低部分。PBL是人類活動(dòng)影響最大的大氣層，僅在地球表面上方數(shù)百米處延伸。該層中的動(dòng)力學(xué)(例如風(fēng)速，溫度和濕度曲線)對(duì)于確定其余大氣層和地球上的許多物理過程至關(guān)重要。

PBL是WRF模型中的關(guān)鍵組件，但它也是計(jì)算成本最低的組件之一。這使得它成為研究深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)如何以相同方式增強(qiáng)更復(fù)雜組件的絕佳測試平臺(tái)。

美國能源部計(jì)算機(jī)科學(xué)家Prasanna Balaprakash說：“我們使用了20年的WRF模型中的計(jì)算機(jī)生成數(shù)據(jù)來訓(xùn)練神經(jīng)網(wǎng)絡(luò)，并使用了兩年的數(shù)據(jù)來評(píng)估它們是否可以為基于物理的參數(shù)設(shè)置提供準(zhǔn)確的替代方法。”曾獲Argonne數(shù)學(xué)和計(jì)算機(jī)科學(xué)部門的早期職業(yè)獎(jiǎng)，以及美國能源部科學(xué)用戶設(shè)施辦公室Argonne領(lǐng)導(dǎo)力計(jì)算設(shè)施(ALCF)。

Balaprakash開發(fā)了神經(jīng)網(wǎng)絡(luò)，并對(duì)其進(jìn)行了訓(xùn)練，以通過從兩個(gè)位置(堪薩斯州和阿拉斯加一個(gè)位置)提供10,000多個(gè)數(shù)據(jù)點(diǎn)(每天8個(gè))來學(xué)習(xí)輸入與輸出之間的抽象關(guān)系。結(jié)果是一種算法，科學(xué)家相信該算法可以替代WRF模型中的PBL參數(shù)化。

科學(xué)家證明，考慮輸入和輸出變量之間關(guān)系的某些底層結(jié)構(gòu)的深層神經(jīng)網(wǎng)絡(luò)可以成功地模擬隨時(shí)間變化的風(fēng)速，溫度和水蒸氣。結(jié)果還表明，一個(gè)受過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)可以從一個(gè)位置預(yù)測附近位置的行為，與測試數(shù)據(jù)相比，相關(guān)性高于90%。

“ 氣候科學(xué)家和計(jì)算機(jī)科學(xué)家之間的合作對(duì)于我們?nèi)〉玫某晒陵P(guān)重要。”阿貢大學(xué)環(huán)境科學(xué)部大氣科學(xué)和氣候研究部門首席科學(xué)家兼負(fù)責(zé)人Rao Kotamarthi說。“結(jié)合我們的領(lǐng)域知識(shí)可以使算法更具預(yù)測性。”

該算法稱為域感知神經(jīng)網(wǎng)絡(luò)，該算法考慮了已知的關(guān)系，不僅可以更準(zhǔn)確地預(yù)測環(huán)境數(shù)據(jù)，而且與不考慮域?qū)I(yè)知識(shí)的算法相比，它們所需的訓(xùn)練數(shù)據(jù)也要少得多。

任何機(jī)器學(xué)習(xí)項(xiàng)目都需要大量高質(zhì)量的數(shù)據(jù)，并且本研究不缺乏數(shù)據(jù)。ALCF和國家能源研究科學(xué)計(jì)算中心(位于美國勞倫斯伯克利國家實(shí)驗(yàn)室的美國能源部科學(xué)用戶設(shè)施辦公室)的超級(jí)計(jì)算資源，促成了300多年(700 TB)數(shù)據(jù)的生成，這些數(shù)據(jù)描述了過去，現(xiàn)在和未來的天氣以及北美的氣候。

Wang說：“該數(shù)據(jù)庫是阿貢國家氣候科學(xué)所獨(dú)有的，并且我們正在使用它來進(jìn)行深度學(xué)習(xí)的進(jìn)一步研究，并確定如何將其應(yīng)用于氣候模型。”

科學(xué)家的最終目標(biāo)是用深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)取代WRF模型中所有昂貴的參數(shù)化設(shè)置，以實(shí)現(xiàn)更快，更高分辨率的仿真。

目前，該小組正在努力模擬長波和短波太陽輻射的參數(shù)化-WRF模型的兩個(gè)部分合起來將占物理模擬計(jì)算時(shí)間的近40%。

該研究結(jié)果于10月10日發(fā)表在2019年地球科學(xué)模型開發(fā) 12，4261–4274中，名為“ 數(shù)值天氣預(yù)報(bào)模型中行星邊界層參數(shù)化的快速域感知神經(jīng)網(wǎng)絡(luò)仿真”的論文。