Cuando consulta el pronóstico del tiempo por la mañana, Es muy probable que los resultados que ve estén determinados por el modelo de investigación y predicción meteorológicas (WRF), un modelo completo que simula la evolución de muchos aspectos del mundo físico que nos rodea.

"Describe todo lo que ves fuera de tu ventana, "dijo Jiali Wang, un científico ambiental en el Laboratorio Nacional Argonne del Departamento de Energía de EE. UU. (DOE), "de las nubes, a la radiación del sol, a la nieve a la vegetación, incluso la forma en que los rascacielos interrumpen el viento ".

Las innumerables características y causas del tiempo y el clima se combinan, comunicarse entre sí. Los científicos aún tienen que describir completamente estas complejas relaciones con simples, ecuaciones unificadas. En lugar de, aproximan las ecuaciones utilizando un método llamado parametrización en el que modelan las relaciones a una escala mayor que la de los fenómenos reales.

Aunque las parametrizaciones simplifican la física de una manera que permite que los modelos produzcan resultados relativamente precisos en un tiempo razonable, todavía son computacionalmente costosos. Los científicos ambientales y los científicos computacionales de Argonne están colaborando para utilizar redes neuronales profundas, un tipo de aprendizaje automático, para reemplazar las parametrizaciones de ciertos esquemas físicos en el modelo WRF, reduciendo significativamente el tiempo de simulación.

"Con modelos menos costosos, podemos lograr simulaciones de mayor resolución para predecir cómo los cambios a corto y largo plazo en los patrones climáticos afectan la escala local, "dijo Wang, "incluso hasta vecindarios o infraestructura crítica específica".

En un estudio reciente, los científicos se centraron en la capa límite planetaria (PBL), o la parte más baja de la atmósfera. El PBL es la capa atmosférica a la que más afecta la actividad humana, y se extiende solo unos pocos cientos de metros sobre la superficie de la Tierra. La dinámica en esta capa, como la velocidad del viento, perfiles de temperatura y humedad, son fundamentales para determinar muchos de los procesos físicos en el resto de la atmósfera y en la Tierra.

El PBL es un componente crucial en el modelo WRF, pero también es uno de los menos costosos computacionalmente. Esto lo convierte en un excelente banco de pruebas para estudiar cómo las redes neuronales de aprendizaje profundo podrían mejorar componentes más complicados de la misma manera.

"Usamos 20 años de datos generados por computadora del modelo WRF para entrenar las redes neuronales y dos años de datos para evaluar si podrían proporcionar una alternativa precisa a las parametrizaciones basadas en la física, "dijo Prasanna Balaprakash, un científico informático y ganador del premio DOE Early Career Award en la división de Matemáticas y Ciencias de la Computación de Argonne y Argonne Leadership Computing Facility (ALCF), una instalación para usuarios de la Oficina de Ciencias del DOE.

Balaprakash desarrolló la red neuronal y la entrenó para aprender una relación abstracta entre las entradas y salidas alimentándola con más de 10, 000 puntos de datos (8 por día) de dos ubicaciones, uno en Kansas y otro en Alaska. El resultado fue un algoritmo que los científicos confían en que podría reemplazar la parametrización de PBL en el modelo WRF.

Los científicos demostraron que una red neuronal profunda que considera parte de la estructura subyacente de la relación entre las variables de entrada y salida puede simular con éxito las velocidades del viento. temperatura y vapor de agua a lo largo del tiempo. Los resultados también muestran que una red neuronal entrenada desde una ubicación puede predecir el comportamiento en ubicaciones cercanas con correlaciones superiores al 90 por ciento en comparación con los datos de prueba.

"La colaboración entre los científicos del clima y los informáticos fue crucial para los resultados que logramos, "dijo Rao Kotamarthi, científico en jefe y jefe del departamento de ciencia atmosférica e investigación climática en la división de ciencias ambientales de Argonne. "La incorporación de nuestro conocimiento de dominio hace que el algoritmo sea mucho más predictivo".

Los algoritmos, llamados redes neuronales conscientes del dominio, que consideran las relaciones conocidas no solo pueden predecir los datos ambientales con mayor precisión, pero también requieren el entrenamiento de una cantidad significativamente menor de datos que los algoritmos que no consideran la experiencia en el dominio.

Cualquier proyecto de aprendizaje automático requiere una gran cantidad de datos de alta calidad, y no hubo escasez de datos para este estudio. Recursos de supercomputación en el ALCF y el Centro Nacional de Computación Científica de Investigación en Energía, una instalación para usuarios de la Oficina de Ciencias del DOE en el Laboratorio Nacional Lawrence Berkeley, contribuyó a la producción de más de 300 años (700 terabytes) de datos que describen el pasado, tiempo y clima presentes y futuros en América del Norte.

"Esta base de datos es exclusiva de la ciencia climática en Argonne, "dijo Wang, "y lo estamos utilizando para realizar más estudios en el aprendizaje profundo y determinar cómo se puede aplicar a los modelos climáticos".

El objetivo final de los científicos es reemplazar todas las costosas parametrizaciones en el modelo WRF con redes neuronales de aprendizaje profundo para permitir una simulación más rápida y de mayor resolución.

En la actualidad, el equipo está trabajando para emular la parametrización de la radiación solar de onda larga y onda corta, dos partes del modelo WRF que juntas ocupan casi el 40% del tiempo de cálculo de la física en las simulaciones.

Los resultados del estudio se publicaron en un artículo titulado "Emulación rápida de red neuronal consciente del dominio de una parametrización de la capa límite planetaria en un modelo numérico de pronóstico del tiempo" el 10 de octubre en Desarrollo de modelos geocientíficos 12, 4261–4274, 2019.