Das Nature Sub-Journal, das Shanghai Institute of Technology, die Fudan University und die China Meteorological Administration entwickeln ein subsaisonales KI-Großmodell „Fuxi', um die „Vorhersagbarkeitswüste' zu durchbrechen.

1. Herausgeber von ScienceAI

2. Autor | Prozesse einen Monat im Voraus“, und dies ist untrennbar mit der subsaisonalen Klimavorhersagetechnologie von mehr als 15 Tagen verbunden.

Die subsaisonale Klimavorhersage konzentriert sich auf Klimaanomalien in den nächsten 15 bis 60 Tagen, die wichtige Unterstützung für Produktionsvereinbarungen in der Landwirtschaft, Wasserwirtschaft, Energie und anderen Bereichen bieten können.

Im Vergleich zu kurz- und mittelfristigen Wettervorhersagen mit einer Gültigkeitsdauer von weniger als zwei Wochen weisen subsaisonale Klimavorhersagen eine größere Unsicherheit auf. Es muss nicht nur das Anfangswertproblem berücksichtigt werden, sondern auch die Auswirkungen der Grenzerzwingung. Die Vorhersagequellen sind komplexer und die Vorhersagefähigkeiten geringer. Daher wurde die subsaisonale Klimavorhersage schon immer als „Vorhersagbarkeitswüste“ bezeichnet. Aufgrund ihrer Komplexität konnte selbst die Leistung großer KI-Modelle auf Zeitskalen lange Zeit nicht die Leistung traditioneller Modelle übertreffen.

Um dieses Problem zu lösen, haben das Shanghai Institute of Science and Intelligence (bezeichnet als SIRI), die Fudan-Universität und das Nationale Klimazentrum der China Meteorological Administration gemeinsam das subsaisonale Klimavorhersagemodell „Fuxi“ (FuXi) entwickelt -S2S), das zum ersten Mal die traditionelle numerische Vorhersage übertraf. Der Modell-Benchmark – das S2S-Modell des Europäischen Zentrums für mittelfristige Wettervorhersage (ECMWF).

Kürzlich wurde der Artikel mit dem Titel „A Machine Learning Model that Outperforms Conventional Global Subseasonal Forecast Models“ in der renommierten internationalen Fachzeitschrift „Nature Communications“ veröffentlicht.

Als Modell für maschinelles Lernen enthält das subsaisonale Klimavorhersagemodell „Fuxi“ relativ umfassende Variablen:

5 atmosphärische Variablen in höheren Lagen in 13 Druckschichten

11 Bodenvariablen

1. Es ist einzigartig. Es ist in der Lage um große Ensemblevorhersagen schnell und effizient zu erstellen und globale Tagesdurchschnittsvorhersagen für bis zu 42 Tage in etwa 7 Sekunden zu erstellen.
2. Diese Prognoseinformationen sind von entscheidender Bedeutung für die landwirtschaftliche Planung, das Ressourcenmanagement, die Katastrophenvorsorge und den Schutz vor extremen Wetterereignissen wie Hitzewellen, Dürren, Kältewellen und Überschwemmungen.

Das groß angelegte subsaisonale Klimavorhersagemodell „Fuxi“ hat zwei wichtige technologische Innovationen erreicht:

Einführung des Luft-Meer-Interaktionsprozesses, insbesondere der tropischen atmosphärischen intrasaisonalen Oszillation (MJO), dem wichtigsten subsaisonalen Faktor Quelle der Vorhersagbarkeit ist in das Modell integriert;

Innovativ entwickeltes intelligentes Störungserzeugungsmodul im latenten Raum, das die probabilistischen Eigenschaften der Klimasystementwicklung zu einem zukünftigen Prognosezeitpunkt unter dem aktuellen Klimasystemzustand beschreiben und so effektiv erfassen kann Physikalische Unsicherheit des Klimasystems.

1. Diese technologischen Durchbrüche haben die globale Niederschlagsvorhersagefähigkeit des Modells erheblich verbessert, insbesondere in außertropischen Gebieten wie dem Mittel- und Unterlauf des Jangtsekiang in meinem Land.
2. Abbildung: Übersicht über die Prozessarchitektur. (Quelle: Papier)

Das MJO ist ein periodisches atmosphärisches Zirkulationsmuster, das Gebiete von den Tropen bis zu mittleren und hohen Breiten betrifft. Die Vorhersage des MJO kann Meteorologen und Klimatologen dabei helfen, Niederschlagsmuster, Sturmaktivität, Temperaturänderungen und das Auftreten extremer Wetterereignisse wie Dürren und Überschwemmungen in den kommenden Wochen bis Monaten genauer zu verstehen und vorherzusagen.

Das große subsaisonale Klimavorhersagemodell „Fuxi“ hat die Vorhersagefähigkeit des MJO effektiv verbessert und erreicht 36 Tage, was die 30-Tage-Dauer des S2S-Modells des ECMWF deutlich übertrifft.

Abbildung: Multivariater Echtzeit-Madden des Ensemble-Mittelwerts zwischen subsaisonalen bis saisonalen (S2S)-Prognosen des ECMWF (blau) und FuXi-S2S-Prognosen (rot) unter Verwendung aller Testdaten von 2017 bis 2021 – Julianische Oszillation (MJO) (RMM) Bivariate Korrelation (COR) zum Vergleich. (Quelle: Papier)

Darüber hinaus kann das große Modell zur subsaisonalen Klimavorhersage „Fuxi“ auch potenzielle Informationen identifizieren, die zu Extremereignissen führen, indem es eine Ausnahmekarte erstellt. Diese Fähigkeit ist nützlich, um extreme Regenfälle während der Überschwemmungen in Pakistan im Jahr 2022 vorherzusagen. Aspekt wurde überprüft.

Der spezifische Prozess besteht darin, zunächst eine Verlustfunktion zu definieren, z. B. den durchschnittlichen Prozentsatz an Niederschlagsanomalien in Pakistan, der in der Abbildung unten durch das grüne Kästchen markiert ist, die Modellparameter festzuhalten und dann den Gradienten durch Backpropagation zu lösen und schließlich den Gradienten auszugeben der Eingabebildpixel, um die Eingabe widerzuspiegeln. Die positiven und negativen Korrelationseffekte meteorologischer Elemente auf den Prozentsatz der Niederschlagsanomalien in Pakistan.

Mit den leistungsstarken Vorhersagefähigkeiten und den Fähigkeiten zur Identifizierung von Vorläufersignalen des subsaisonalen Klimavorhersagemodells „Fuxi“ können wirksame Werkzeuge und Strategien für den Umgang mit extremen Wetterereignissen bereitgestellt werden.

Abbildung: Vergleichende Analyse des subsaisonalen bis saisonalen (S2S)-Modells des ECMWF und des FuXi-S2S-Modells für Überschwemmungsvorhersagen 2022 in Pakistan sowie vorläufige Signale, die zu genauen Vorhersagen des FuXi-S2S-Modells beitragen. (Quelle: Papier) Ausblick
In der Vergangenheit waren nur wenige Länder der Welt in der Lage, traditionelle numerische Vorhersagemodelle in Echtzeit zu entwickeln und zu betreiben. Ihre Entwicklung und ihr Betrieb erforderten viel Arbeitskraft und Rechenressourcen und waren auf Tausende angewiesen CPUs auf Supercomputern.
Heutzutage laufen KI-basierte Modelle wie das Fuxi Meteorological Model schneller und erfordern nach dem Training weniger Rechenressourcen, was eine günstigere Option für Entwicklungsländer darstellt.
Künstliche Intelligenz bietet auch im Bereich des Klimawandel-Risikomanagements großes Entwicklungspotenzial. Es kann das Forschungsparadigma der Klimawissenschaft verändern, die Grenzen traditioneller Modelle durchbrechen und präzise Klimarisikovorhersagen mit feinerer räumlicher Auflösung und längeren Zeitskalen ermöglichen. Diese Technologie wird in den Bereichen Extremklimavorhersage, Transport, Versicherungen, neue Energie, Terminhandel, Stadtplanung und anderen Industriebereichen weit verbreitet sein.
Derzeit besteht beim großen subsaisonalen Klimavorhersagemodell „Fuxi“ noch Raum für Verbesserungen. Beispielsweise beträgt seine räumliche Auflösung 1,5 Grad, was im Vergleich zur räumlichen Auflösung des subsaisonalen ECMWF-Modells von 36 km immer noch relativ grob ist. Die aktuelle Vorhersage ist die tägliche Durchschnittstemperatur, das Fehlen der täglichen Höchsttemperatur und der täglichen Mindesttemperatur usw.
Darüber hinaus untersucht das Nebensaison-Großmodell „Fuxi“ auch die Erhöhung der maximalen Druckschicht von derzeit 50 hPa (hundert Pascal) auf 1 hPa oder sogar in die Nähe des Weltraums, um weitere Anwendungsszenarien zu ermöglichen.
Über die Autoren
Chen Lei, Forscher am Shanghai Institute of Technology, Zhong Xiaohui, Postdoktorand am Institute of Artificial Intelligence Innovation and Industry der Fudan-Universität, und Wu Jie, stellvertretender Direktor des Climate Research Open Laboratory of the China Meteorological Administration sind die Co-Erstautoren des Papiers. Qi Yuan, Dekan des Shangzhi-Instituts und Haoqing Distinguished Professor der Fudan-Universität, Li Hao, stellvertretender Dekan für wissenschaftliche Forschung des Shangzhi-Instituts und Forscher des Forschungsinstituts für künstliche Intelligenz, Innovation und Industrie der Fudan-Universität, und Lu Bo, Forscher des Climate Research Open Laboratory von der China Meteorological Administration, sind Co-Autoren des Papiers.
Alle Autoren: Lei Chen, Xiaohui Zhong, Hao Li#, Jie Wu, Bo Lu#, Deliang Chen, Shang-Ping Xie, Libo Wu, Qingchen Chao, Chensen Lin, Zixin Hu & Yuan Qi# (# gibt den Kommunikationsautor an)
Link zum Papier: https://www.nature.com/articles/s41467-024-50714-1

Das obige ist der detaillierte Inhalt vonDas Nature Sub-Journal, das Shanghai Institute of Technology, die Fudan University und die China Meteorological Administration entwickeln ein subsaisonales KI-Großmodell „Fuxi', um die „Vorhersagbarkeitswüste' zu durchbrechen.. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!