Новый алгоритм WSINDy поможет улучшить прогнозы погоды и понять физику атмосферы

Ураган «Берил» над Карибским морем 2 июля 2024 года. Алгоритм WSINDy может помочь улучшить прогнозы таких явлений и дать новое понимание физики погоды. Автор: ABI imagery from NOAA GOES-16

Долгосрочное прогнозирование погоды — сложная задача, отчасти потому, что погодные системы по своей природе хаотичны. Хотя математические уравнения могут приблизительно описывать физические процессы, лежащие в основе погоды, крошечные неточности, которые экспоненциально нарастают по мере развития модели, ограничивают большинство физических прогнозов двумя неделями или меньше.

Важными компонентами этих уравнений являются оценочные значения, называемые параметрами, которые используются для представления эффектов конкретных физических процессов. Параметры выводятся из физических данных и влияют на результаты модели, например, умножая измерения температуры, ветра или других факторов или придавая им разные веса.

В последние годы модели на основе искусственного интеллекта (ИИ), такие как GraphCast и FourCastNet, произвели революцию в прогнозировании погоды благодаря своей способности обучаться на больших объемах данных и создавать высокоточные прогнозы.

Однако модели на основе ИИ обычно содержат десятки или сотни миллионов параметров, которые не имеют прямого соответствия с базовыми физическими процессами. Поскольку исследователи не могут интерпретировать эти параметры, такие модели ИИ вносят лишь ограниченный вклад в научное понимание погоды.

В исследовании, опубликованном в Journal of Geophysical Research: Machine Learning and Computation, Майнор и его команда устраняют это ограничение, демонстрируя возможности алгоритма Weak form Scientific Machine Learning (WSciML), известного как Weak form Sparse Identification of Nonlinear Dynamics (WSINDy).

Как и другие методы ИИ, WSINDy обучается на данных. Но вместо использования высокопараметризованного подхода он обнаруживает математические уравнения, которые представляют сложные физические процессы реального мира, такие как взаимодействие давления воздуха, плотности и завихренности для определения скорости и направления ветра.

Исследователи применили WSINDy как к смоделированным, так и к реальным данным о турбулентной атмосферной жидкости, которые включают измерения температуры, давления и скорости ветра. WSINDy использовал искусственные данные для идентификации известных уравнений из симуляции. Что наиболее важно, WSINDy также смог успешно определить управляющие уравнения известной атмосферной физики из глобального набора ассимилированных данных, включающих реальные погодные наблюдения.

Эти результаты позволяют предположить, что WSINDy может не только помочь в прогнозировании погоды, но и способствовать открытию новых физических закономерностей, говорят исследователи. Они также отмечают, что WSINDy особенно хорошо подходит для работы с данными с высоким уровнем шума наблюдений.

Однако для уточнения WSINDy потребуется дальнейшая работа, чтобы он мог точнее определять определенные виды известных атмосферных уравнений, таких как реалистичные модели атмосферного ветра, говорят исследователи. Алгоритм также исследуется для применения в широком спектре других научных областей, включая необъяснимые явления в термоядерном синтезе, поведение популяций, влияющее на эпидемии, и коммуникацию между клетками, которая приводит к коллективному движению при заживлении ран.

Больше информации: Seth Minor et al, Learning Physically Interpretable Atmospheric Models From Data With WSINDy, Journal of Geophysical Research: Machine Learning and Computation (2025). DOI: 10.1029/2025jh000602

Источник: American Geophysical Union