Исследователи Карлсруэского института технологии (KIT) улучшают картографирование осадков с помощью глубокого обучения для повышения пространственного и временного разрешения.

Применение глубокого обучения для повышения точности и детализации картографирования осадков исследователями Карлсруэского института технологии (KIT)

Из-за изменения климата ожидается, что экстремальные погодные явления, особенно сильные осадки, будут происходить чаще. Многие природные катастрофы, такие как наводнения или оползни, вызываются прямо экстремальными осадками. Часто используются модели, основанные на прогнозах климата. Существующие климатические модели должны улучшить свою способность точно представлять высокоизменчивые атмосферные явления. Исследователи предполагают, что повышение средней температуры приведет к дальнейшему увеличению экстремальных осадков.

Исследователи Карлсруэского института технологии (KIT) использовали силу искусственного интеллекта (ИИ), чтобы повысить точность грубых карт осадков, создаваемых глобальными климатическими моделями.

Исследователи подчеркнули, что эту модель уменьшили временное разрешение полей осадков с одного часа до десяти минут, а пространственное разрешение увеличили с 32 до двух километров. Они сказали, что более высокое разрешение необходимо для прогнозирования будущего возникновения сильных местных осадков и последующих природных катастроф.

Этот метод включает применение генеративной нейронной сети, на самом деле, Генеративной антогонистической сети (GAN), формы ИИ. Эта GAN обучается с использованием данных высокого разрешения о радарных осадках, позволяя ей учиться и имитировать реалистичные поля осадков с гораздо более высоким пространственным и временным разрешением.

Существующие глобальные климатические модели используют сетку, которая не имеет необходимой мелкой детали для точного учета изменчивости осадков. Кроме того, производство карт осадков с высоким разрешением традиционно требует вычислительно затратных моделей, что приводит к пространственным или временным ограничениям.

По словам исследователей, именно поэтому была разработана GAN, генеративная нейронная сеть на основе ИИ, обученная с использованием полей высокого разрешения радарных осадков. Таким образом, с неразрешенными данными GAN учится создавать реалистичные поля осадков и определять их временную последовательность.

По сравнению с трехлинейной интерполяцией и классической сверточной нейронной сетью, генеративная модель восстанавливает зависящее от разрешения распределение экстремальных значений с высоким качеством. Она показала высокий показатель навыка доли величины равный 0,6 для интенсивности осадков более 15 миллиметров в час и низкую относительную ошибку в 3,35%.

Согласно исследователям, их подход натур собой составленный из различных возможных полей осадков. Это важно, потому что для каждого грубого поля осадков существует множество физически возможных, высоко разрешенных решений.

Они объяснили, что более высокое разрешение событий осадков, моделируемых с помощью этого метода, позволит лучше оценить последствия погодных условий, которые вызвали наводнение реки Ахр в 2021 году в мире, теплее на 2 градуса.

В заключение, эта модель предлагает решение для улучшения точности глобальных климатических моделей в прогнозировании осадков. Это усовершенствование способствует более точным климатическим прогнозам. Она имеет потенциал лучше понять и подготовиться к последствиям экстремальных погодных явлений в условиях изменяющегося климата.