Машинное обучение и моделирование климата. Сегодня предсказывать, что ждет нас в будущем для климата Земли, означает справляться с неопределенностями. Например, основные климатические прогнозы Межправительственной группы экспертов по изменению климата (МГЭИК) привели к тому, что глобальный температурный скачок в результате удвоения уровней CO2 в атмосфере, называемый «чувствительностью климата», находится где-то между 1,5 градуса C и 4,5 градуса. Этот разрыв который не изменился со времени первого доклада МГЭИК в 1990 году, имеет глубокие последствия для тех экологических событий, к которым человечество может захотеть подготовиться.

Моделирование облаков, особенно в небольших масштабах, может быть трудным для ученых. Фото: НАСА Центр космических полетов им. Годдарда

Часть неопределенности возникает из-за неуверенной изменчивости – изменений, которые могут произойти даже в отсутствие увеличения CO2 – но часть этого возникает из-за необходимости моделей для моделирования сложных процессов, таких как облака и конвекция. Недавно ученые-климатологи попытались сузить пределы неопределенности в климатических моделях, используя недавнюю революцию в информатике. Машинное обучение, которое уже применяется для множества приложений (например, для обнаружения наркотиков, управления воздушным движением и распознавания голоса), в настоящее время расширяется в области исследований климата с целью уменьшения неопределенности в климатических моделях, в частности это относится к чувствительности климата и прогнозированию региональных тенденций, двух из главных виновников неопределенности.

Пол О'Горман, доцент кафедры наук о Земле, атмосфере и планетах Массачусетского технологического института (EAPS) и участник Программы по атмосферам, океанам и климату, рассказывает, где машинное обучение вписывается в моделирование климата, возможные подводные камни и способы их устранения, а также области, в которых этот подход, вероятно, будет наиболее успешным.

В: Чувствительность климата и региональные изменения климата, кажется, вызывают разочарование у исследователей. Какие существуют препятствия и как может помочь машинное обучение?

Ответ: Современные климатические модели уже очень полезны, с одной стороны, но они также сталкиваются с очень сложными проблемами, две из которых вы упомянули: чувствительность климата к удвоению углекислого газа и региональные аспекты изменений климата, например, как меняется количество осадков в определенной стране. По обоим этим вопросам мы хотели бы иметь более точные климатические модели, и они также должны быть быстрыми, потому что они должны работать более тысячи лет, обычно только для того, чтобы перейти к текущему состоянию климата, прежде чем вперед в будущий климат.

Так что это вопрос как точности, так и эффективности. Традиционно климатические модели в значительной степени основаны на физике и химии атмосферы и океана, а также процессов на поверхности земли. Но они не могут включать в себя все, что происходит в атмосфере, вплоть до миллиметрового масштаба или менее, поэтому они должны включать некоторые эмпирические формулы. И эти эмпирические формулы называются параметризацией. Параметризации представляют собой сложные процессы, такие как облака и атмосферная конвекция, одним из примеров которых могут быть грозы, которые происходят в небольших масштабах по сравнению с размером Земли, поэтому глобальным климатическим моделям сложно их точно представить.

Одна идея, которая вышла на первый план в последние пару лет, заключается в использовании машинного обучения для более точного представления этих мелкомасштабных аспектов атмосферы и океана. Идея заключалась бы в том, чтобы запустить очень дорогую модель с высоким разрешением, которая может разрешить интересующий вас процесс, например, мелкие облака, а затем использовать машинное обучение, чтобы извлечь уроки из этих симуляций. Это первый шаг. Вторым шагом было бы включение алгоритма машинного обучения в модель климата, чтобы, надеюсь, получить более быструю и более точную модель климата. И это то, что изучают несколько групп по всему миру.

В: В какой степени машинно-обучаемый алгоритм может обобщать данные из одной климатической ситуации или из одного региона в другой?

A: Это большой вопросительный знак. Мы обнаружили, что если вы тренируетесь в нынешнем климате и пытаетесь смоделировать гораздо более теплый климат, алгоритм машинного обучения потерпит неудачу, поскольку он опирается на аналогии с ситуациями в текущем климате, которые не распространяются на теплый климат с более высокими температурами. Например, облака в атмосфере имеют тенденцию подниматься выше в более теплом климате. Так что это ограничение, если вы тренируетесь только в нынешнем климате, но, конечно, также возможна тренировка в более теплом климате в моделях с высоким разрешением.

Интересно, что для атмосферной конвекции мы обнаружили, что если вы тренируетесь в текущем климате, а затем переходите в более холодный климат, подход машинного обучения работает хорошо. Таким образом, существует асимметрия между потеплением или охлаждением и тем, насколько хорошо эти алгоритмы могут быть обобщены, по крайней мере, в случае атмосферной конвекции. Причина, по которой алгоритм машинного обучения можно обобщить в случае холодного климата, состоит в том, что он может найти примеры в более высоких широтах в текущем климате, чтобы соответствовать тропикам более холодного климата. Таким образом, разные климатические условия в разных регионах мира помогают обобщать изменения климата.

Другая вещь, которая может помочь, – это такие события, как Эль-Ниньо, где глобальная атмосфера в среднем становится немного теплее, и поэтому можно провести аналогию, на которой можно учиться. Это не идеальная аналогия с глобальным потеплением, но некоторые из тех же физиков могут работать при более высоких температурах, поэтому алгоритм машинного обучения может автоматически использоваться для того, чтобы помочь обобщению в более теплых климатических условиях.

В: Означает ли это, что в некоторых климатических системах машинное обучение будет работать лучше, чем в других?

Ответ: Я предлагал обучить наши алгоритмы машинного обучения очень дорогим симуляциям с высоким разрешением, но это, конечно, имеет смысл, только если у нас есть точные симуляции с высоким разрешением для интересующего нас процесса. Я изучал – атмосферная конвекция – хороший кандидат, потому что мы можем делать довольно точные симуляции с высоким разрешением.

С другой стороны, если кто-то интересуется, например, тем, как поверхность земли реагирует на изменение климата и как она взаимодействует с атмосферой над ней, это более сложно, потому что есть много сложностей. У нас разные виды растений, разные почвы. Это очень разнородно. В таком случае не так просто узнать правду, из которой вы хотите поучиться у моделей. И затем, если мы скажем: «Ну, для тех аспектов климатической системы, которые не имеют точных дорогостоящих симуляций, мы можем вместо этого использовать наблюдения?». Возможно. Но затем мы возвращаемся к проблеме попыток обобщения на другой климат. Итак, я определенно думаю, что есть разные части климатической системы, которые более поддаются подходу машинного обучения, чем другие.

Кроме того, некоторые аспекты моделирования климатической модели уже очень хороши. Например, модели уже преуспели в моделировании крупномасштабной гидродинамики атмосферы. Таким образом, эти части климатических моделей вряд ли будут заменены подходами машинного обучения, которые были бы менее гибкими, чем чисто физический подход.

По материалам phys.org