大模型時(shí)代,純數(shù)據(jù)驅(qū)動(dòng)的氣象、氣候模型效果逐漸追趕甚至趕超數(shù)值模式。然而,目前氣象、氣候大模型也仍然存在不少問(wèn)題。比如物理一致性不高、輻散風(fēng)預(yù)報(bào)效果不好等等,這些問(wèn)題限制了對(duì)于降水等復(fù)雜天氣氣候現(xiàn)象的預(yù)測(cè)能力。目前,將物理、大氣動(dòng)力與深度學(xué)習(xí)模型結(jié)合成為提升模型能力,解決目前瓶頸問(wèn)題的一條重要途徑。中國(guó)科學(xué)院大氣物理研究所LASG黃剛研究員團(tuán)隊(duì)基于地球系統(tǒng)數(shù)值模擬裝置(寰)的數(shù)據(jù)和DCU算力(國(guó)產(chǎn)人工智能加速卡)支持,從物理變量耦合關(guān)系角度出發(fā),結(jié)合圖神經(jīng)網(wǎng)絡(luò)對(duì)多變量進(jìn)行物理軟約束,提升了數(shù)值模式的降水預(yù)報(bào)技巧,在物理和AI的融合方向做了一些嘗試和探索。
針對(duì)降水預(yù)報(bào)的難點(diǎn)問(wèn)題,尤其是強(qiáng)降水的預(yù)報(bào)問(wèn)題,團(tuán)隊(duì)從降水的影響要素和發(fā)生機(jī)制出發(fā),結(jié)合omega方程和水汽方程等進(jìn)行變量篩選、構(gòu)建變量耦合圖網(wǎng)絡(luò)。Omega方程和水汽方程分別描述了垂直運(yùn)動(dòng)和水汽變化,均為影響降水的重要因素。從圖網(wǎng)絡(luò)的角度來(lái)看,前述方程反應(yīng)了基本的物理量(溫、風(fēng)、濕等)的非線性組合與降水關(guān)鍵要素之間的關(guān)系,因而可以將其抽象為圖網(wǎng)絡(luò),通過(guò)圖網(wǎng)絡(luò)間變量(節(jié)點(diǎn))和變量間關(guān)系來(lái)表征不同物理變量間的組合及耦合。同時(shí),考慮到氣候因子對(duì)于天氣尺度的影響,尤其是不同氣候背景下模式誤差系統(tǒng)性的差異,本研究將季節(jié)、ENSO等氣候因子和起報(bào)時(shí)間等稀疏數(shù)據(jù)使用entity embedding技術(shù)嵌入校正模型,以區(qū)分不同背景下的誤差;此外,針對(duì)降水過(guò)程,本研究對(duì)圖神經(jīng)網(wǎng)絡(luò)ChebNet進(jìn)行局地化改進(jìn),使其基本保持效果的同時(shí),避免全局運(yùn)算,大幅降低計(jì)算復(fù)雜度。
圖1 omega-GNN模型示意
模型比對(duì)結(jié)果表明,該研究提出的兩個(gè)物理約束模型omega-GNN和omega-EGNN相較于數(shù)值模式,顯著提升各分類降水預(yù)報(bào)技巧,同時(shí)其性能優(yōu)于目前主流的無(wú)物理約束深度學(xué)習(xí)模型(如U-NET,3D-CNN等)。此外,該研究對(duì)所有深度學(xué)習(xí)模型均進(jìn)行了十組擾動(dòng),使其可以進(jìn)行集合預(yù)報(bào)。結(jié)合診斷和個(gè)例分析發(fā)現(xiàn),物理約束的模型顯著優(yōu)于無(wú)物理約束模型,對(duì)于強(qiáng)降水的預(yù)報(bào),omega-GNN模型和omega-EGNN模型集合間一致性更高,且預(yù)報(bào)技巧更好(圖2)。
圖2 各模型(a)TS評(píng)分,(b-g)相對(duì)于數(shù)值模式的TS差值空間分布(20mm/6h閾值以上降水)。(a)中error bar為集合間標(biāo)準(zhǔn)差。
“我們團(tuán)隊(duì)在氣候動(dòng)力方向有較多積累,近幾年在利用AI提升天氣氣候預(yù)測(cè)方向做了一些嘗試,相關(guān)成果多次獲得相關(guān)大賽獎(jiǎng)項(xiàng)。在AI大模型時(shí)代下,物理如何與AI融合是一個(gè)大問(wèn)題,有許多融合的途徑和思路。我們結(jié)合大氣、氣候動(dòng)力的一些思考,從物理耦合的角度對(duì)模型進(jìn)行軟約束,在這個(gè)方向上做了一些嘗試,希望可以為相關(guān)領(lǐng)域提供一些增量信息”。論文通訊作者黃剛研究員說(shuō)到。
該工作由中國(guó)科學(xué)院大氣物理研究所碩士生陳昱同、汪亞博士、黃剛研究員和中國(guó)氣象局廣州熱帶海洋氣象研究所田群博士合作完成,近日發(fā)表在《Geophysical Research Letters》。
本研究受到國(guó)家自然科學(xué)基金((42261144687,42141019)、第二次青藏高原綜合科學(xué)考察研究項(xiàng)目(2019QZKK0102)共同資助。同時(shí),本研究得到地球系統(tǒng)數(shù)值模擬裝置(寰)的DCU算力和數(shù)據(jù)支持。
Chen, Y., Wang, Y.*, Huang, G.*, & Tian, Q. (2024). Coupling physical factors for precipitation forecast in China with graph neural network. Geophysical Research Letters, 51, e2023GL106676.
https://doi.org/10.1029/2023GL106676