Echte „Vorbereitung auf einen regnerischen Tag“, das „Geisterwetter“-Vorhersagemodell der Tsinghua-Universität ist da!
Es ist die Art, die die ungelösten Probleme der Welt lösen kann –
Extreme Niederschläge können auf der Kilometerskala von 0 bis 3 Stunden vorhergesagt werden.
Extremes Niederschlagswetter, einschließlich kurzfristiger Starkniederschläge, Stürme, Schneestürme, Hagel usw., kann eine Frühwarnung darstellen.
Bilder
Der Abschluss dieser Recherche war nicht einfach.
Die School of Software der Tsinghua-Universität arbeitete mit dem National Meteorological Center und dem National Meteorological Information Center zusammen. Nach drei Jahren gemeinsamer Forschung entwickelten sie dieses große Nowcasting-Modell für extreme Niederschläge namens NowcastNet und nutzten fast sechs Jahre Radarbeobachtung Daten, um das Training des Modells abzuschließen.
Im Prozesstest von 62 Wettervorhersageexperten im ganzen Land liegt diese Methode deutlich vor ähnlichen Methoden auf der Welt, und die Forschungsergebnisse wurden jetzt in Nature veröffentlicht.
Bilder
Derzeit wurde NowcastNet auf der Kurzzeitprognose-Geschäftsplattform (SWAN 3.0) des National Meteorological Center bereitgestellt und gestartet, die das nationale Geschäft mit kurzfristigen Extremniederschlagwettervorhersagen unterstützen wird.
Warum ist die Vorhersage extremer Niederschläge so schwierig? Wie hat das Tsinghua-Team dieses Problem gelöst?
In den letzten Jahren sind aufgrund des Einflusses des globalen Klimawandels häufig extreme Niederschlagsereignisse aufgetreten, die eine genauere, präzisere und längere Warnvorlaufzeit ermöglichen.
Da die meisten extremen Niederschlagswetterprozesse nur zehn Minuten dauern und eine räumliche Skala von mehreren Kilometern haben, werden sie stark von komplexen Prozessen wie Konvektion, Wirbelstürmen, Topographie und chaotischen Effekten des Atmosphärensystems beeinflusst.
Mit der numerischen Vorhersagetechnologie, die auf der Simulation physikalischer Gleichungen basiert, ist es jedoch schwierig, extreme Niederschläge im Kilometermaßstab effektiv vorherzusagen.
Daher wurde auf dem Gipfel der Weltorganisation für Meteorologie am 27. Mai dieses Jahres die Niederschlagsvorhersage innerhalb von drei Stunden als eines der wichtigsten ungelösten wissenschaftlichen Probleme aufgeführt.
△Nowcasting von Niederschlägen auf Basis von Radarbeobachtungen ist eines der Probleme der Welt
Es gab schon früher Methoden zur Vorhersage extremer Niederschläge.
Numerische Berechnung und Deep Learning sind die beiden gängigen Methoden zur Niederschlagsvorhersage, aber beide weisen offensichtliche Mängel auf:
Numerische Berechnungsmethoden sind schwierig, die räumlich-zeitlichen mehrskaligen Eigenschaften des Niederschlagsprozesses effektiv zu modellieren, und sie sind auch durch die Kumulierung eingeschränkt Prognosefehler liegen in der Regel bei einer Stunde.
Obwohl Deep-Learning-Methoden gut zur Modellierung nichtlinearer Systeme geeignet sind, weisen statistische Modelle inhärente Probleme bei der Überglättung kleiner Stichproben auf. Dem Prognoselösungsprozess fehlen die Einschränkungen der physikalischen Erhaltungsgesetze, und die generierten numerischen Felder sind stark verschwommen und verzerrt Es ist schwierig, extreme Niederschläge mit operativem Wert vorherzusagen.
Als Reaktion auf die oben genannten Herausforderungen hat das Team von Professor Wang Jianmin und außerordentlichem Professor Long Mingsheng von der School of Software der Tsinghua-Universität seit 2017 ein Forschungsteam mit dem National Meteorological Center und dem National Meteorological Center gegründet Meteorologisches Informationszentrum zur Entwicklung künstlicher Intelligenztechnologie in der meteorologischen Big-Data-Zusammenarbeit für Anwendungen.
Nach drei Jahren gemeinsamer Forschung wurde in den letzten sechs Jahren das große Nowcasting-Modell NowcastNet vorgeschlagen und anhand von Radarbeobachtungsdaten aus den USA und China trainiert.
Der Kern dieses Modells ist der neuronale Evolutionsoperator, der den physikalischen Prozess des Niederschlags durchgängig modelliert und so eine nahtlose Integration von Deep Learning und physikalischen Gesetzen erreicht.
△NowcastNet, ein großes Nowcasting-Modell, das physikalische Modellierung und Deep Learning integriert
Konkret entwarf das Forschungsteam zunächst ein mesoskaliges Evolutionsnetzwerk, um mesoskaligen Niederschlag mit bedeutenderen physikalischen Eigenschaften wie dem Advektionsprozess zu modellieren ein Neuroevolutionsoperator, der auf der materiellen Kontinuitätsgleichung (d. h. dem Gesetz der Massenerhaltung) basiert, um die Bewegung im Niederschlagsprozess im Zehn-Kilometer-Maßstab Ende-zu-Ende zu simulieren und den kumulativen Vorhersagefehler durch Rückausbreitung zu minimieren.
Zweitens schlug das Forschungsteam ein Netzwerk zur konvektiven Erzeugung vor. Basierend auf den Vorhersageergebnissen des mesoskaligen Evolutionsnetzwerks wird das probabilistische Erzeugungsmodell verwendet, um den Niederschlagsprozess im Kilometermaßstab weiter zu erfassen, wo chaotische Effekte wie Konvektionserzeugung und -dissipation auftreten bedeutender.
Dank des oben genannten Fusionsdesigns kombiniert dieses Modell die Vorteile von Deep Learning und physikalischer Modellierung, und zum ersten Mal auf der Welt wird die Aktualität der Niederschlags-Nowcasting auf 3 Stunden verlängert (wie oben erwähnt, die vorherige Zahl). (Berechnungsmethode lag in der Regel innerhalb einer Stunde) und gleichen die Mängel der Extremniederschlagsvorhersage aus.
Um den operativen Orientierungswert des großen Nowcasting-Modells NowcastNet für typische Wetterprozesse vollständig zu testen, lud das Nationale Meteorologische Zentrum 62 Frontline-Prognoseexperten von 23 provinziellen und kommunalen meteorologischen Observatorien ein, um Nachuntersuchungen an 2.400 extremen Niederschlagsprozessen in China und China durchzuführen USA Inspektionen und A-priori-Inspektionen und Vergleiche mit derzeit in der Wirtschaft verwendeten Methoden.
Das derzeit von meteorologischen Zentren auf der ganzen Welt weit verbreitete Vorhersagesystem umfasst die advektionsbasierte pySTEPS-Methode. PredRNN ist ein datengesteuertes neuronales Netzwerk, das bei der China Meteorological Administration eingesetzt wird. Das DGMR-Modell wurde von Google DeepMind in Zusammenarbeit mit dem britischen Met Office vorgeschlagen.
Alle Modelle werden anhand großer Radardatensätze von Niederschlagsereignissen in den USA und China trainiert und getestet.
Bilder
Wie in der Abbildung oben gezeigt, übertrifft NowcastNet bestehende Technologien bei numerischen Indikatoren wie Critical Success Index (CSI) und Power Spectral Density (PSD) bei weitem und gilt als das Unternehmen mit dem höchsten Prognosewert bei 71 % der Wetterprozesse.
In Zeiten extremer Niederschläge ist NowcastNet die einzige Nowcasting-Technologie, die einen hohen Geschäftswert aufweist.
Nehmen Sie als Beispiel die typischen extremen Wetterprozesse in China und den Vereinigten Staaten:
Am 14. Mai 2021 um 23:40 Uhr kam es in der Region Jianghuai in China und in vielen Regionen wie Hubei und Anhui zu starken Regenfällen NowcastNet gab rote Regenwarnungen heraus. Der Veränderungsprozess von drei Starkniederschlags-Superzellen kann genau vorhergesagt werden.
Bilder
Am 11. Dezember 2021 um 9:30 Uhr brach in den zentralen Vereinigten Staaten eine Tornado-Katastrophe aus, die 89 Todesopfer und 676 Verletzte forderte. NowcastNet kann die Intensität, das Landegebiet und das Bewegungsmuster von Starkniederschlägen klarer und genauer darstellen prognostizierte Ergebnisse.
Bilder
Der Test zeigt, dass NowcastNet eine gute Leitbedeutung für die präzise Prävention und Kontrolle extremer Katastrophenwetter hat.
Derzeit wurden die Forschungsergebnisse in Nature unter dem Titel „Skillful Nowcasting of Extreme Precipitation with NowcastNet“ veröffentlicht und auch unter dem Titel „Nature News and Viewpoints“ The Outlook for AI Weather Prediction“ berichtet.
Forscher glauben:
Diese Forschung erforscht ein neues Paradigma des datengesteuerten und physikgesteuerten „wissenschaftlichen Lernens“, schlägt eine allgemeine Methode zur Modellierung und Vorhersage von Raum-Zeit-Materialfeldern unter physikalischen Erhaltungsbeschränkungen vor und liefert Einblicke in andere Materialien mit mehrskaligen physikalischen Eigenschaften Das Problem hat auch Anwendungsaussichten.
Sie sagten auch:
In Zukunft werden sie die Anwendung dieser Lösung in Szenarien wie physikalischer Problemlösung, Atmosphären- und Ozeansimulation und Simulation von Industriedesign weiter vorantreiben.
Professor Wang Jianmin und außerordentlicher Professor Long Mingsheng von der School of Software der Tsinghua-Universität sowie Michael I. Jordan, Dekan für maschinelles Lernen, Professor an der University of California, Berkeley und Honorarprofessor an der Tsinghua-Universität , sind die korrespondierenden Autoren des Artikels.
Doktoranden Zhang Yuchen und außerordentlicher Professor Long Mingsheng von der School of Software der Tsinghua-Universität sind die ersten Autoren der Masterstudierenden Chen Kaiyuan und Xing Lanxiang.
Der Forscher Jin Ronghua vom National Meteorological Center stellte meteorologisches Wissen und Datenunterstützung zur Verfügung und leitete die landesweite Inspektion von Meteorologieexperten wie Luo Bing, Zhang Xiaoling, Xue Feng, Sheng Jie, Han Feng, Zhang Xiaowen und anderen Experten Anleitungen, Anregungen und Anleitungen für die Recherchearbeit.
Diese Forschung wurde vom Innovative Research Group Project der National Natural Science Foundation of China, dem Outstanding Youth Science Fund Project und dem National Engineering Research Center for Big Data System Software unterstützt.
Link zum Papier: https://www.nature.com/articles/s41586-023-06184-4
Das obige ist der detaillierte Inhalt vonGroßes Modell der Tsinghua-Universität und der China Meteorological Administration erscheint in Nature: Weltklasse-Probleme werden gelöst, die Aktualität der „Geisterwetter'-Vorhersage erreicht zum ersten Mal 3 Stunden. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!
![[Web-Frontend] Node.js-Schnellstart](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
