利用中国科学院大气物理研究所的物理耦合图神经网络增强降水预测技术，实现物理与人工智能的融合

一分耕耘，一分收获！既然打开了这篇文章《利用中国科学院大气物理研究所的物理耦合图神经网络增强降水预测技术，实现物理与人工智能的融合》，就坚持看下去吧！文中内容包含等等知识点...希望你能在阅读本文后，能真真实实学到知识或者帮你解决心中的疑惑，也欢迎大佬或者新人朋友们多留言评论，多给建议！谢谢！

编辑 | ScienceAI

大模型时代，纯数据驱动的气象、气候模型效果逐渐追赶甚至赶超数值模式。

然而，现有的气象气候大模型仍然存在一些问题。例如，模型中的物理一致性还不够高，这导致了对于复杂的天气气候现象如降水的预测能力受限。另外，辐散风的预报效果也不尽如人意。这些问题需要进一步的研究和改进，以提高模型的预测精度和可靠性。

目前，将物理、大气动力与深度学习模型结合，是解决瓶颈问题的重要途径。

近日，中国科学院大气物理研究所黄刚研究员团队基于地球系统数值模拟装置（寰）的数据和算力支持，从物理变量耦合关系角度出发，结合图神经网络对多变量进行物理软约束，提升了数值模式的降水预报技巧，在物理和 AI 的融合方向做了一些尝试和探索。

研究以《Coupling Physical Factors for Precipitation Forecast in China With Graph Neural Network》为题，于 1 月 18 日发表在《Geophysical Research Letters》上。

论文链接：https://doi.org/10.1029/2023GL106676

针对降水预报的难点问题，特别是强降水的预报问题，我们的团队通过从降水的影响要素和发生机制出发，结合omega方程和水汽方程等，进行变量筛选和构建变量耦合图网络来解决。

Omega 方程和水汽方程分别描述了垂直运动和水汽变化，均为影响降水的重要因素。从图网络的角度来看，前述方程反应了基本的物理量（温、风、湿等）的非线性组合与降水关键要素之间的关系，因而可以将其抽象为图网络，通过图网络间变量（节点）和变量间关系来表征不同物理变量间的组合及耦合。

同时，考虑到气候因子对于天气尺度的影响，尤其是不同气候背景下模式误差系统性的差异，该研究将季节、ENSO 等气候因子和起报时间等稀疏数据使用 entity embedding 技术嵌入校正模型，以区分不同背景下的误差。

此外，针对降水过程，该研究对图神经网络 ChebNet 进行局地化改进，使其基本保持效果的同时，避免全局运算，大幅降低计算复杂度。

图 1：omega-GNN 模型示意。（来源：论文）

模型比对结果表明，该研究提出的两个物理约束模型 omega-GNN 和 omega-EGNN 相较于数值模式，显著提升各分类降水预报技巧，同时其性能优于目前主流的无物理约束深度学习模型（如 U-NET，3D-CNN 等）。

此外，该研究对所有深度学习模型均进行了十组扰动，使其可以进行集合预报。结合诊断和个例分析发现，物理约束的模型显著优于无物理约束模型，对于强降水的预报，omega-GNN 模型和 omega-EGNN 模型集合间一致性更高，且预报技巧更好。

图 2：各模型（a）TS评分，（b-g）相对于数值模式的 TS 差值空间分布（20mm/6h 阈值以上降水）。（来源：论文）

论文通讯作者黄刚研究员说：「我们团队在气候动力方向有较多积累，近几年在利用 AI 提升天气气候预测方向做了一些尝试，相关成果多次获得相关大赛奖项。在 AI 大模型时代下，物理如何与 AI 融合是一个大问题，有许多融合的途径和思路。我们结合大气、气候动力的一些思考，从物理耦合的角度对模型进行软约束，在这个方向上做了一些尝试，希望可以为相关领域提供一些增量信息。」

该研究由中国科学院大气物理研究所硕士生陈昱同、汪亚博士、黄刚研究员和中国气象局广州热带海洋气象研究所田群博士合作完成。

参考内容：https://iap.cas.cn/gb/xwdt/kyjz/202401/t20240119_6959543.html

好了，本文到此结束，带大家了解了《利用中国科学院大气物理研究所的物理耦合图神经网络增强降水预测技术，实现物理与人工智能的融合》，希望本文对你有所帮助！关注golang学习网公众号，给大家分享更多科技周边知识！