Качественные прогнозы погоды — ключевой фактор безопасного освоения Арктики. Ускоренное потепление увеличивает частоту экстремальных погодных явлений в полярных зонах. Для повышения точности прогнозов ученые Московского физико-технического института и Института океанологии имени П. П. Ширшова РАН создали нейросеть. Она повысила пространственное разрешение глобальных климатических моделей в пять раз. Алгоритм также показал вычислительную эффективность в 60 раз выше традиционных методов анализа.
Вызовы арктической метеорологии
"Изменения ветровых режимов серьезно влияют на судоходство по Севморпути. Сильные ветра и волны часто приводят к задержкам судов, удлинению маршрутов, разрушению портов и нефтегазовых платформ. Изучение погоды в Арктике затруднено редкой сетью метеостанций, неравномерным их распределением и нерегулярностью спутниковых данных. Дефицит информации требует процессно-ориентированного мезомасштабного моделирования", — пояснил Вадим Резвов, первый автор работы, замзаведующего лабораторией машинного обучения в науках о Земле МФТИ.
Обучение и эффективность нейросети
Обучение нейросети, как уточнил Резвов, использовало крупномасштабные данные глобального погодного архива ERA5 (разрешение 31 километр). Эталоном служила модель WRF (Weather Research and Forecasting) с детализацией шесть километров. Нейросеть научилась восстанавливать поля ветров с аналогичным качеством. Обучение заняло около 17 часов. После этого расчет ветровых полей на год занимал всего 10 минут против 10 часов у эталонной модели.
Точность восстановления данных
Исходные данные ERA5 занижали число обнаруженных вихревых треков почти на 47 процентов. Нейросеть же восстановила картину ветров с отклонением менее трех процентов от контрольных данных.
Реалистичность опасных явлений
"Отслеживая мезомасштабные вихри и сравнивая статистику их жизненного цикла с эталоном, мы доказали способность нейросети улавливать ключевые статистические свойства полярных мезоциклонов. Тесное совпадение распределений максимальной медианной скорости ветра вдоль треков вихрей показывает реалистичное воспроизведение их интенсивности. Это критически важно для ветроэнергетики и безопасности на море", — отметил Михаил Криницкий, завлабораторией машинного обучения в науках о Земле МФТИ и старший научный сотрудник ИО РАН.
Моделирование сложного явления — боры
Особенно авторы подчеркнули успех нейросети в воспроизведении параметров боры — шквального стокового ветра. Он возникает при переваливании холодного воздуха с ледяного Карского моря через хребты Новой Земли, ускоряется на склонах и обрушивается на Баренцево море. Это сложное явление требует учета рельефа и атмосферных процессов. На сетке шесть километров нейросеть верно передала положение и силу порывов ветра, тогда как модель ERA5 существенно занизила интенсивность.
Практическое применение для волновых прогнозов
Дополнительным подтверждением реалистичности ИИ-алгоритма стала проверка на волновой модели. Расчеты высоты волн в Баренцевом море с использованием ветра от нейросети дали результат, почти идентичный эталонным натурным измерениям. Он был значительно точнее расчетов с использованием ветра из ERA5. Это означает готовность разработки к практическому использованию в системах прогноза морских волн и штормовых предупреждений.
