结合物理学和人工智能进行基于高分辨率集成的气候预测
简介
在商业、创新和就业省(MBIE)的奋进基金的资助下，NIWA的研究人员正在开发一种基于物理学和人工智能(AI)驱动的方法，以大大降低提供精确气候变化预测所需的计算机能力。这些预测将基于多个模型(称为集合)，这对于描述与气候相关风险相关的不确定性至关重要。
这项工作将支持渥太华向低排放、气候适应型经济转型。它将帮助新西兰人更好地了解他们在短期、中期和长期的时间尺度上与气候相关的风险。这将改善适应气候的决策，并支持抵御极端天气事件的能力。
例如，更可行的气候预测将有助于:
- 农民计划未来的灌溉需求
- 园艺学家了解未来的热压力和计划作物
- 酿酒师了解温度是如何变化并影响葡萄品种的
- 委员会根据未来的天气灾害规划基础设施和新的发展。
气候模型需要巨大的计算能力
我们对全球气候将如何应对未来温室气体增加的理解依赖于复杂的气候模型，这些模型需要巨大的计算能力才能运行。对新西兰来说，我们可以使用这些气候模型来告诉我们，随着温室气体排放的增加，未来的天气模式会发生怎样的变化。
即使有大型超级计算机，这些全球模型的复杂性也意味着它们只能以50-150公里的分辨率运行——因此，距离很近但天气和气候截然不同的地方(例如，想想Mt Cook vs Twizel)有相同的预测结果。这些气候模型的粗糙分辨率是社会决策的障碍，因为它无法解决新西兰地形中更局部的变化。
区域气候模型(rcm)是一种计算机模型，它进一步提高了这些全球气候模型的分辨率，并提供了解决新西兰复杂地形的更高分辨率的气候预测。然而，生成高分辨率气候预测仍然需要巨大的计算成本。
下面的动画展示了这个项目的初步结果:上面的图像显示了一个100公里分辨率的全球气候模型在新西兰奥特罗瓦的模拟。左下对比了通过动态(基于物理的)模型降尺度到12公里分辨率与右下对比，使用机器学习降尺度到12公里分辨率(计算成本低得多，运行速度快得多)。
关于项目
当前区域气候模式(rcm)的计算费用直接限制了可在高分辨率下模拟的集合成员的数量。如果不将RCM计算速度提高10倍或更多，那么在未来十年中，在高空间分辨率下对大型模式集合进行降尺度气候预测可能是不可行的。
niwa领导的团队正在开发首个基于物理信息的人工智能(AI)驱动的RCM模拟器，用于气候预测，使整个国家的高分辨率(2-12公里)预测成为可能。这将使他们能够生成高分辨率的气候预测，计算速度比目前的方法至少快1000倍，成本也更低。
该团队将在整个项目中与主要利益相关方进行接触，包括iwi/ happy、地区委员会、中央政府和行业领袖，以确保研究成果将实现更高价值的产品和服务。提供改进的气候预测将支持金融、保险、天气预报和初级产业等多种行业。
研究的目的是
RA1.1利用人工智能改善大气环流的边界条件
该团队之前的工作表明，许多全球气候模型(gcm)错误地定位了新西兰上空急流和风暴轨迹的位置和强度，导致了rcm的问题。虽然之前的研究已经探索了在降尺度背景下的GCM偏差校正，但在捕获多个气候变量之间的物理一致性方面仍存在重大的科学挑战。相反，偏差校正方案实现了简单的统计方法，仅在单个变量和网格单元的基础上校正气候平均值和方差。
因为gcm是自由运行的模拟，传统的回归型方法不适合，需要与观测结果一一对应。然而，生成对抗网络(GANs)非常适合学习多元分布之间的复杂空间关系，将偏差校正扩展到远远超出单个变量和网格单元基的范围。该团队还将纳入物理约束(例如，喷射和风暴轨迹的位置和大小)，以推动基于人工智能的算法实现物理一致性。
基于RA1.2人工智能的区域气候模型模拟器
国际气候变化专门委员会(IPCC)的预测被称为CMIP6档案，包括超过50个gcm(有500多个集合成员)。然而，只有在计算上可行的情况下，才能在中等分辨率(12-25千米)的新西兰降低大约6个gcm的尺度。这项工作将通过创建一个ai驱动的RCM模拟器来解决RCM计算速度的主要问题，该模拟器能够在更高的空间分辨率下以数量级的速度运行。
该团队将首先在由单个GCM驱动的中间分辨率(12公里)RCM上训练卷积神经网络(CNN)模型。为了确保模型能在历史和未来的气候中泛化，他们将把RCM模拟器与mbie资助的NIWA预测项目提供的基准RCM输出进行比较。
基于人工智能的RCM集合气候预测的应用
为了提供新西兰未来可能的气候的更完整的图像，研究人员将把我们最后的高分辨率RCM模拟器应用到广泛的gcm中。通过RCM模拟器将范围更广的gcm进行缩小，将首次实现对新西兰的概率气候预测。他们将与项目顾问组的行业领导者和mautori顾问组合作，构建案例研究，探索大集合高分辨率气候预测的附加价值。
