深度神經網絡加快了天氣和氣候模型的速度

當您查看早晨的天氣預報時，您看到的結果很有可能是由天氣研究和預報(WRF)模型確定的，該模型是一個全面的模型，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)阿貢國家實驗室的環(huán)境科學家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。”

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

盡管參數化以某種方式簡化了物理過程，使模型可以在合理的時間內產生相對準確的結果，但是它們仍然在計算上昂貴。來自Argonne的環(huán)境科學家和計算科學家正在合作使用機器學習的一種類型的深度神經網絡來代替WRF模型中某些物理方案的參數化，從而顯著減少了仿真時間。

Wang說：“使用便宜的模型，我們可以實現更高分辨率的模擬，以預測天氣模式的短期和長期變化如何影響當地范圍，甚至包括鄰里或特定的關鍵基礎設施。”

在最近的研究中，科學家將注意力集中在行星邊界層(PBL)或大氣的最低部分。PBL是人類活動影響最大的大氣層，僅在地球表面上方數百米處延伸。該層中的動力學(例如風速，溫度和濕度曲線)對于確定其余大氣層和地球上的許多物理過程至關重要。

PBL是WRF模型中的關鍵組件，但它也是計算成本最低的組件之一。這使得它成為研究深度學習神經網絡如何以相同方式增強更復雜組件的絕佳測試平臺。

美國能源部計算機科學家Prasanna Balaprakash說：“我們使用了20年的WRF模型中的計算機生成數據來訓練神經網絡，并使用了兩年的數據來評估它們是否可以為基于物理的參數設置提供準確的替代方法。”曾獲Argonne數學和計算機科學部門的早期職業(yè)獎，以及美國能源部科學用戶設施辦公室Argonne領導力計算設施(ALCF)。

Balaprakash開發(fā)了神經網絡，并對其進行了訓練，以通過從兩個位置(堪薩斯州和阿拉斯加一個位置)提供10,000多個數據點(每天8個)來學習輸入與輸出之間的抽象關系。結果是一種算法，科學家相信該算法可以替代WRF模型中的PBL參數化。

科學家證明，考慮輸入和輸出變量之間關系的某些底層結構的深層神經網絡可以成功地模擬隨時間變化的風速，溫度和水蒸氣。結果還表明，一個受過訓練的神經網絡可以從一個位置預測附近位置的行為，與測試數據相比，相關性高于90%。

“ 氣候科學家和計算機科學家之間的合作對于我們取得的成果至關重要。”阿貢大學環(huán)境科學部大氣科學和氣候研究部門首席科學家兼負責人Rao Kotamarthi說。“結合我們的領域知識可以使算法更具預測性。”

該算法稱為域感知神經網絡，該算法考慮了已知的關系，不僅可以更準確地預測環(huán)境數據，而且與不考慮域專業(yè)知識的算法相比，它們所需的訓練數據也要少得多。

任何機器學習項目都需要大量高質量的數據，并且本研究不缺乏數據。ALCF和國家能源研究科學計算中心(位于美國勞倫斯伯克利國家實驗室的美國能源部科學用戶設施辦公室)的超級計算資源，促成了300多年(700 TB)數據的生成，這些數據描述了過去，現在和未來的天氣以及北美的氣候。

Wang說：“該數據庫是阿貢國家氣候科學所獨有的，并且我們正在使用它來進行深度學習的進一步研究，并確定如何將其應用于氣候模型。”

科學家的最終目標是用深度學習神經網絡取代WRF模型中所有昂貴的參數化設置，以實現更快，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化-WRF模型的兩個部分合起來將占物理模擬計算時間的近40%。

該研究結果于10月10日發(fā)表在2019年地球科學模型開發(fā) 12，4261–4274中，名為“ 數值天氣預報模型中行星邊界層參數化的快速域感知神經網絡仿真”的論文。