Emulatory uczą się oceanu, cyklonów i klimatycznych progów

Emulatory uczenia maszynowego dla procesów atmosferycznych zmieniły prognozowanie pogody w ciągu kilku lat. Wersje dla oceanu rozwijały się wolniej i łatwo zobaczyć dlaczego. W atmosferze większość energii zawierają zjawiska o stosunkowo dużej skali. W oceanie wiele zależy od mezoskalowych wirów, mniejszych o około rząd wielkości. Do tego dochodzą zawiłe linie brzegowe, wąskie cieśniny i morza pokryte lodem, których atmosferyczne modele nie muszą się tak przejmować. Dlatego symulacje oceanu prowadzi się na siatkach lokalnie zagęszczanych albo całkowicie nieustrukturyzowanych, a modele danych tymczasem trenowano na zwykłych siatkach szerokość–długość.

Ocean na własnej siatce

Praca nad HClimRep-Ocean proponuje emulator działający wprost na natywnej siatce nieustrukturyzowanej modelu FESOM2. Został wytrenowany na 209-letniej kontrolnej integracji AWI-CM3 i uruchamiany bez wymuszania atmosferycznego. Stan atmosfery dostaje tylko na starcie, co izoluje przewidywalność, którą niesie sam ocean. Umiejętności okazały się mocno zależne od pola. Dla prądów emulator bije wszystkie modele odniesienia przy prognozie na 30 dni. Dla temperatury i zasolenia lepsza pozostaje wytłumiona anomalia trwałości. Autorzy tłumaczą to fizycznie: zmienność prądów jest w dużej mierze geostroficzna i generowana wewnętrznie, a wahania temperatury powierzchni i zasolenia napędza pogoda. Na benchmarku OceanBench wariant wytrenowany na reanalizie osiągnął najniższy błąd RMSE względem reanalizy GLORYS spośród wszystkich ocenianych systemów.

Scenariusze progowe w wysokiej rozdzielczości

Drugi zestaw narzędzi służy do oceny skutków przełomów klimatycznych. Zbiór ClimTip-GML jest pierwszym globalnie skorygowanym i zagęszczonym zbiorem danych do oceny wpływu wielkoskalowych scenariuszy przejściowych. Obejmuje osiem kluczowych zmiennych w rozdzielczości 0,25 stopnia z trzech modeli ogólnej cyrkulacji: CESM1-CAM5, HadGEM3-GC31-MM i MPI-ESM1-2-HR. Zawiera stuletnie symulacje dla warunków przedindustrialnych i historycznych, a także scenariusze ocieplenia o 2 stopnie Celsjusza, z przejściem progowym atlantyckiej cyrkulacji wymiennej lub lasu amazońskiego i bez niego. Korektę obciążenia i zagęszczenie wykonują metody generatywnego uczenia maszynowego trenowane na reanalizie. Zachowują przy tym spójność fizyczną w przestrzeni, czasie i między wszystkimi ośmioma zmiennymi. Walidacja wykazała wyraźne zmniejszenie obciążeń, poprawę małoskalowej zmienności i wielozmiennych korelacji oraz spójną długoterminową odpowiedź na wymuszanie zewnętrzne.

Fizyka jako ograniczenie

Trzecia praca dotyczy cyklonów tropikalnych i zjawiska szybkiego wzmacniania, które pozostaje jednym z najtrudniejszych elementów prognozy. Autorzy łączą dwa podejścia. Pełnofizyczne modele numeryczne potrafią opisać procesy odpowiedzialne za wzmacnianie, ale są kosztowne. Modele czysto danych nie tłumaczą się fizycznie. Ich hybryda, FAST-ML, używa dwustrumieniowej neuronowej parametryzacji pobierającej trójwymiarowe pola ERA5, aby diagnozować kontrolę wentylacyjną: uskok wiatru w otoczeniu i deficyt entropii w środkowej troposferze. Parametry są optymalizowane od końca do końca przez różniczkowalny model intensywności FAST, więc ewolucja burzy pozostaje podporządkowana zasadom termodynamiki. Względem swojego fizycznego punktu odniesienia model zmniejsza wskaźnik CRPS o około 31 proc. przy horyzoncie 60 godzin i niemal o połowę obniża współczynnik fałszywych alarmów dla szybkiego wzmacniania, nie tracąc czułości wykrywania. W konfiguracji stuosobowej ensemble daje prognozy porównywalne z FNV3 dla badanych burz, a testy zerostrzałowe na wschodnim Pacyfiku sugerują przenośność między basenami.

Wspólny wniosek tych prac jest metodologiczny: emulator nie musi być uniwersalny, żeby był użyteczny, ale musi być oceniany polem po polu. Model, który wygrywa na prądach, przegrywa na temperaturze. To nie porażka, tylko informacja o tym, gdzie kończy się jego przewidywalność.