Als je 's ochtends de weersvoorspelling bekijkt, de resultaten die u ziet, worden meer dan waarschijnlijk bepaald door het Weather Research and Forecasting (WRF) -model, een uitgebreid model dat de evolutie van vele aspecten van de fysieke wereld om ons heen simuleert.

"Het beschrijft alles wat je buiten je raam ziet, " zei Jiali Wang, een milieuwetenschapper bij het Argonne National Laboratory van het Amerikaanse Department of Energy (DOE), "vanuit de wolken, tegen de straling van de zon, tot sneeuw tot vegetatie - zelfs de manier waarop wolkenkrabbers de wind verstoren."

De talloze kenmerken en oorzaken van weer en klimaat zijn aan elkaar gekoppeld, met elkaar communiceren. Wetenschappers moeten deze complexe relaties nog volledig beschrijven met eenvoudige, uniforme vergelijkingen. In plaats daarvan, ze benaderen de vergelijkingen met behulp van een methode die parameterisatie wordt genoemd, waarin ze de relaties modelleren op een schaal die groter is dan die van de feitelijke verschijnselen.

Hoewel parametrering de fysica zo vereenvoudigt dat de modellen in een redelijke tijd relatief nauwkeurige resultaten kunnen produceren, ze zijn nog steeds rekenkundig duur. Milieuwetenschappers en computationele wetenschappers uit Argonne werken samen om diepe neurale netwerken te gebruiken, een soort machine learning, om de parametrering van bepaalde fysieke schema's in het WRF-model te vervangen, simulatietijd aanzienlijk verkorten.

"Met goedkopere modellen, we kunnen simulaties met een hogere resolutie bereiken om te voorspellen hoe veranderingen op korte en lange termijn in weerpatronen de lokale schaal beïnvloeden, " zei Wang, "zelfs tot aan buurten of specifieke kritieke infrastructuur."

In een recente studie, de wetenschappers concentreerden zich op de planetaire grenslaag (PBL), of het laagste deel van de atmosfeer. Het PBL is de atmosferische laag die de meeste invloed heeft op menselijke activiteit, en het strekt zich slechts een paar honderd meter boven het aardoppervlak uit. De dynamiek in deze laag, zoals windsnelheid, temperatuur- en vochtigheidsprofielen, zijn cruciaal bij het bepalen van veel van de fysieke processen in de rest van de atmosfeer en op aarde.

Het PBL is een cruciaal onderdeel in het WRF-model, maar het is ook een van de minst rekenkundige kosten. Dit maakt het een uitstekend testbed om te onderzoeken hoe meer gecompliceerde componenten op dezelfde manier kunnen worden verbeterd door deep learning neurale netwerken.

"We gebruikten 20 jaar computergegenereerde gegevens van het WRF-model om de neurale netwerken te trainen en twee jaar gegevens om te evalueren of ze een nauwkeurig alternatief konden bieden voor de op fysica gebaseerde parametrering, " zei Prasanna Balaprakash, een computerwetenschapper en ontvanger van de DOE Early Career Award in de divisie Wiskunde en Informatica van Argonne en de Argonne Leadership Computing Facility (ALCF), een DOE Office of Science gebruikersfaciliteit.

Balaprakash ontwikkelde het neurale netwerk en trainde het om een ​​abstracte relatie tussen de inputs en outputs te leren door het meer dan 10, 000 datapunten (8 per dag) vanaf twee locaties, één in Kansas en één in Alaska. Het resultaat was een algoritme waarvan de wetenschappers zeker zijn dat het de PBL-parametrering in het WRF-model zou kunnen vervangen.

De wetenschappers toonden aan dat een diep neuraal netwerk dat rekening houdt met een deel van de onderliggende structuur van de relatie tussen de invoer- en uitvoervariabelen, met succes windsnelheden kan simuleren, temperatuur en waterdamp in de tijd. De resultaten laten ook zien dat een getraind neuraal netwerk van één locatie gedrag op nabijgelegen locaties kan voorspellen met correlaties van meer dan 90 procent in vergelijking met de testgegevens.

"Samenwerking tussen de klimaatwetenschappers en de computerwetenschappers was cruciaal voor de resultaten die we bereikten, " zei Rao Kotamarthi, hoofdwetenschapper en afdelingshoofd atmosferische wetenschap en klimaatonderzoek in de Environmental Science-divisie van Argonne. "Door onze domeinkennis op te nemen, wordt het algoritme veel voorspelbaarder."

De algoritmen, domeinbewuste neurale netwerken genoemd, die rekening houden met bekende relaties, kunnen niet alleen omgevingsgegevens nauwkeuriger voorspellen, maar ze vereisen ook training van aanzienlijk minder gegevens dan algoritmen die geen rekening houden met domeinexpertise.

Elk machine learning-project vereist een grote hoeveelheid hoogwaardige gegevens, en er was geen gebrek aan gegevens voor dit onderzoek. Supercomputerbronnen bij de ALCF en het National Energy Research Scientific Computing Center, een DOE Office of Science User Facility in het Lawrence Berkeley National Laboratory, bijgedragen aan de productie van meer dan 300 jaar (700 terabytes) aan gegevens over het verleden, het huidige en toekomstige weer en klimaat in Noord-Amerika.

"Deze database is uniek voor de klimaatwetenschap in Argonne, " zei Wang, "en we gebruiken het om verder onderzoek naar deep learning uit te voeren en te bepalen hoe het kan worden toegepast op klimaatmodellen."

Het uiteindelijke doel van de wetenschappers is om alle dure parametrisaties in het WRF-model te vervangen door deep learning neurale netwerken om snellere simulatie met een hogere resolutie mogelijk te maken.

Momenteel, het team werkt aan het emuleren van lange- en kortegolfparameterisatie van zonnestraling - twee delen van het WRF-model die samen bijna 40% van de rekentijd van de fysica in de simulaties in beslag nemen.

De resultaten van het onderzoek werden op 10 oktober gepubliceerd in een paper met de titel "Fast domain-aware neural network emulation of a planetary border layer parameterization in a numeriek weersvoorspellingsmodel" in Geowetenschappelijke modelontwikkeling 12, 4261–4274, 2019.