Точное моделирование экстремальных осадков остается серьезной проблемой для климатических моделей. Эти модели предсказывают, как климат земли может измениться в течение десятилетий и даже столетий. Чтобы улучшить их, особенно в отношении экстремальных явлений, исследователи теперь используют методы машинного обучения, которые иначе применяются для генерации изображений.

Компьютеры уже используют искусственный интеллект для улучшения разрешения нечетких изображений, для создания изображений, имитирующих стиль конкретных художников на основе фотографий, или для создания реалистичных портретов людей, которых на самом деле не существует. Базовый метод основан на так называемых GAN (Порождающих состязательных сетях).

Команда, возглавляемая Никласом Боерсом, профессором моделирования земной системы Мюнхенского технического университета (TUM) и исследователем Потсдамского института исследований воздействия на климат (PIK), в настоящее время применяет эти алгоритмы машинного обучения для климатических исследований. Исследовательская группа недавно опубликовала свои выводы в журнале Nature Machine Intelligence.

Не все процессы могут быть приняты во внимание

"Климатические модели отличаются от моделей, используемых для составления прогнозов погоды, особенно с точки зрения их более широкого временного горизонта. Горизонт прогноза погоды составляет несколько дней, в то время как климатические модели выполняют моделирование в течение десятилетий или даже столетий", - объясняет Филипп Хесс, ведущий автор исследования и научный сотрудник TUM Professorship for Earth System Modeling.

Погоду можно довольно точно предсказать на несколько дней; затем прогноз может быть проверен на основе фактических наблюдений. Однако, когда речь заходит о климате, целью является не прогнозирование, основанное на времени, а, среди прочего, прогнозы того, как увеличение выбросов парниковых газов повлияет на климат Земли в долгосрочной перспективе.

Однако климатические модели все еще не могут полностью учитывать все соответствующие климатические процессы. Это происходит, с одной стороны, потому, что некоторые процессы еще недостаточно изучены, а с другой стороны, потому, что детальное моделирование заняло бы слишком много времени и потребовало бы слишком большой вычислительной мощности. "В результате климатические модели все еще не могут представить экстремальные осадки так, как нам бы хотелось. Поэтому мы начали использовать GANs для оптимизации этих моделей с учетом их выхода осадков", - говорит Никлас Боерс.

Оптимизация климатических моделей с использованием данных о погоде

Грубо говоря, GAN состоит из двух нейронных сетей. Одна сеть пытается создать пример из ранее определенного продукта, в то время как другая пытается отличить этот искусственно созданный пример от реальных примеров. Таким образом, две сети конкурируют друг с другом, постоянно совершенствуясь в процессе.

Одним из практических применений GANs был бы "перевод" пейзажных картин в реалистичные фотографии. Две нейронные сети берут фотореалистичные изображения, сгенерированные на основе картины, и отправляют их туда и обратно до тех пор, пока созданные изображения больше нельзя будет отличить от реальных фотографий.

Команда Никласа Боерса использовала аналогичный подход: исследователи использовали сравнительно простую климатическую модель, чтобы продемонстрировать потенциал использования машинного обучения для улучшения таких моделей. Алгоритмы команды используют данные наблюдений за погодой. Используя эти данные, команда обучила GAN изменять симуляции климатической модели таким образом, чтобы их больше нельзя было отличить от реальных наблюдений за погодой.

"Таким образом, степень детализации и реалистичности может быть повышена без необходимости сложных дополнительных технологических расчетов", - говорит Маркус Дрюке, специалист по моделированию климата в PIK и соавтор исследования.

GAN могут сократить потребление электроэнергии при моделировании климата

Даже относительно простые климатические модели сложны и обрабатываются с использованием суперкомпьютеров, которые потребляют большое количество энергии. Чем больше деталей учитывает модель, тем сложнее становятся расчеты и тем больше расходуется электроэнергии. Расчеты, связанные с применением обученного GAN к моделированию климата, однако, незначительны по сравнению с объемом вычислений, требуемых для самой климатической модели.

"Таким образом, использование GANs для повышения детализации и реалистичности климатических моделей практично не только для улучшения и ускорения моделирования, но и с точки зрения экономии электроэнергии", - говорит Филипп Хесс.