소식

Apr 20, 2023

새로운 방법으로 기상이변을 더욱 정확하게 예측

뉴욕, 뉴욕 — 기상 이변이 점점 더 증가하면서

뉴욕, 뉴욕 — 온난화된 기후에서 점점 더 자주 발생하는 극단적인 기상 현상이 증가함에 따라 전 세계 농부부터 도시 거주자, 기업에 이르기까지 우리 모두에게 정확한 예측이 더욱 중요해지고 있습니다. 현재까지 기후 모델은 강수 강도, 특히 극한 현상을 정확하게 예측하지 못했습니다. 자연에서는 강수량이 다양할 수 있지만, 기후 모델은 약한 비 쪽으로 편향되어 강수량의 변화가 더 작을 것으로 예측합니다.

연구원들이 노력하고 있습니다. 예측 정확도를 향상시키는 알고리즘을 개발하기 위해 노력하고 있지만 Columbia Engineering의 기후 과학자들이 보고한 것처럼 전통적인 기후 모델 매개변수화에는 정보가 누락되어 있습니다. 사용되는 계산 그리드. 이러한 조직 측정은 강수 강도와 확률론, 강수 강도의 무작위 변동 변동성에 대한 예측에 영향을 미칩니다. 지금까지는 구름 구조를 측정하고 그 영향을 정량화하는 효과적이고 정확한 방법이 없었습니다.

LEAP(Learning the Earth with Artificial Intelligence and Physics) 센터 소장인 Pierre Gentine이 이끄는 팀의 새로운 연구에서는 글로벌 폭풍 해결 시뮬레이션과 기계 학습을 사용하여 두 가지 규모의 클라우드를 개별적으로 처리할 수 있는 알고리즘을 만들었습니다. 조직: 기후 모델에 의해 해결되는 조직과 너무 작아서 해결될 수 없는 조직. 이 새로운 접근 방식은 전통적인 기후 모델 매개변수화에서 누락된 정보를 해결하고 강수 강도와 변동성을 보다 정확하게 예측하는 방법을 제공합니다.

지구환경공학과 지구물리학 교수인 Gentine, Maurice Ewing 및 J. Lamar Worzel 교수는 "우리의 발견은 수년 동안 과학계가 기후 모델에 구름 조직을 포함할지 여부에 대해 논의해 왔기 때문에 특히 흥미롭습니다."라고 말했습니다. 환경 과학 및 데이터 과학 연구소의 회원입니다. "우리의 작업은 논쟁에 대한 답변과 조직을 포함하기 위한 새로운 솔루션을 제공하며, 이 정보를 포함하면 강수 강도와 변동성에 대한 예측을 크게 향상시킬 수 있음을 보여줍니다."

Gentine과 함께 작업하는 박사 과정 학생인 Sarah Shamekh는 강수량에 대한 미세 규모 구름 조직(미해결 규모)의 역할에 대한 관련 정보를 학습하는 신경망 알고리즘을 개발했습니다. Shamekh는 미리 측정항목이나 공식을 정의하지 않았기 때문에 모델은 조직의 측정항목인 구름 클러스터링을 측정하는 방법을 자체적으로 암시적으로 학습한 다음 이 측정항목을 사용하여 강수량 예측을 개선합니다. Shamekh는 소규모 조직의 정도를 인코딩하여 고해상도 수분 장에서 알고리즘을 훈련했습니다.

PNAS가 발표한 이번 연구의 주 저자인 Shamekh는 "우리는 우리의 조직 ​​측정법이 강수량 변동성을 거의 완전히 설명하고 기후 모델의 확률론적 매개변수화를 대체할 수 있다는 것을 발견했습니다."라고 말했습니다. "이 정보를 포함하면 기후 모델과 관련된 규모에서 강수량 예측이 크게 향상되어 극한 강수량과 공간 변동성을 정확하게 예측할 수 있습니다."

연구원들은 이제 기후 모델에서 하위 그리드 클라우드 구성 지표를 암시적으로 학습하는 기계 학습 접근 방식을 사용하고 있습니다. 이를 통해 극한 강수 현상을 포함한 강수 강도와 변동성에 대한 예측이 크게 향상되고 과학자들이 온난화 기후에서 물 순환과 극한 기상 패턴의 미래 변화를 더 잘 예측할 수 있게 됩니다.

이 연구는 또한 대기가 최근 기상 조건에 대한 정보를 유지하고 나중에 기후 시스템에서 대기 조건에 영향을 미치는 강수량이 기억을 생성할 가능성을 탐구하는 등 조사를 위한 새로운 길을 열어줍니다. 이 새로운 접근 방식은 빙상과 해수면의 더 나은 모델링을 포함하여 강수량 모델링을 넘어 광범위한 응용 분야를 가질 수 있습니다.