Учёные из МФТИ и Института океанологии им. П. П. Ширшова РАН создали нейросеть для ускорения и улучшения моделирования экстремальных погодных явлений в Арктике. Она детализирует данные мировых метеорологических служб, показывая опасные вихри и штормы с точностью сложных физических моделей, но в 50 раз быстрее. Разработка может улучшить прогноз погоды в российском секторе Арктики, что критически важно для судоходства и освоения региона. Исследование опубликовано в журнале «Океанологические исследования».
Существующие глобальные метеорологические модели, такие как глобальный прогноз Европейского центра среднесрочных прогнозов (ECMWF) или американский GFS, имеют низкое пространственное разрешение и плохо «видят» относительно небольшие, но крайне опасные атмосферные вихри, которые на местах проявляются как внезапные ураганные ветра и сильное волнение в океане. Традиционный на сегодняшний день способ получить более качественную картинку в отдельных регионах — запуск высокодетальной гидродинамической модели (например, WRF). Обычно это требует колоссальных вычислений и времени.
Рисунок 1 Вычислительная область, в которой проводится статистическое масштабирование приповерхностного ветра. Источник: «Океанологические исследования»
Российские исследователи обучили искусственный интеллект на данных высокоточной физической модели WRF. В результате нейросеть научилась по «размытым», недостаточно детальным данным глобального прогноза GFS почти мгновенно генерировать «чёткую» и детализированную картину ветров в Арктике.
«Главное преимущество нашей разработки — скорость при условии минимальных потерь в качестве. Нейросеть выдаёт высокодетальный прогноз для Баренцева и Карского морей более чем в 50 раз быстрее, чем ресурсоёмкие физические модели. Кроме того, она показывает шторма, которые другие не воспроизводят: количество вихревых структур в данных нейросети почти совпадает с эталонной моделью WRF (разница менее 3%), в то время как глобальный прогноз ERA5 недооценивает количество таких явлений примерно в два раза», — рассказал Михаил Криницкий, заведующий лабораторией машинного обучения в науках о Земле МФТИ.
Эффективность метода была также наглядно продемонстрирована на примере экстремального погодного явления — новоземельской боры, наблюдавшейся в феврале 2022 года. Это сильный холодный ветер, стремительно обрушивающийся с горных массивов Новой Земли и представляющий серьёзную опасность для судоходства. В то время как данные глобального реанализа ERA5 смогли показать это явление неявно, слабо и только в южной части архипелага, нейросетевая модель, как и эталонная модель WRF, намного более чётко воспроизвели структуру, направление и силу боры на всем протяжении западного побережья Новой Земли.
Рисунок 2 Поля приповерхностного ветра над акваторией Баренцева моря а) ERA 5; б) маштабирование нейросетью; в) WRF. Источник: «Океанологические исследования»
Как показали испытания, результаты моделирования по скорости ветра были значительно ближе к данным реальных метеостанций, чем данные ERA5 или GFS. Кроме того, когда данные о ветре, вычисленные нейросетью, были использованы для моделирования ветрового волнения в океане, рассчитанная высота волн совпала с данными измерений буев с точностью, сопоставимой с результатами, полученными на основе эталонной модели WRF.
Разработка открывает путь к более надёжному и существенно более дешёвому вычислительно- оперативному прогнозированию экстремальных погодных явлений для обеспечения безопасности судоходства, работы портов и нефтегазовых платформ в Арктике.
