Разработка методов климатического и сверхдолгосрочного прогнозирования погоды для территории Беларуси и России с использованием технологий искусственного интеллекта

КАРТОЧКА ПРОЕКТА ФУНДАМЕНТАЛЬНЫХ И ПОИСКОВЫХ НАУЧНЫХ ИССЛЕДОВАНИЙ,
ПОДДЕРЖАННОГО РОССИЙСКИМ НАУЧНЫМ ФОНДОМ

Информация подготовлена на основании данных из Информационно-аналитической системы РНФ, содержательная часть представлена в авторской редакции. Все права принадлежат авторам, использование или перепечатка материалов допустима только с предварительного согласия авторов.

ОБЩИЕ СВЕДЕНИЯ

Номер проекта 23-47-10003

НазваниеРазработка методов климатического и сверхдолгосрочного прогнозирования погоды для территории Беларуси и России с использованием технологий искусственного интеллекта

Руководитель Солдатенко Сергей Анатольевич, Доктор физико-математических наук

Организация финансирования, регион федеральное государственное бюджетное учреждение "Арктический и антарктический научно-исследовательский институт" , г Санкт-Петербург

Конкурс №73 - Конкурс 2022 года «Проведение фундаментальных научных исследований и поисковых научных исследований международными научными коллективами» (БРФФИ)

Область знания, основной код классификатора 07 - Науки о Земле; 07-601 - Общая циркуляция атмосферы и динамическая метеорология

Ключевые слова прогнозирование климата, изменчивость климата, климатические аномалии, индексы циркляции, глубокое обучение, нейронные сети, большие данные

Код ГРНТИ37.23.31

ИНФОРМАЦИЯ ИЗ ЗАЯВКИ

Аннотация
В настоящее время численное моделирование признаётся безальтернативным методом получения проекций изменения климата (прогнозов будущего состояния климатической системы) на различных временных и пространственных масштабах. Между тем точность прогнозов, получаемых с помощью современных климатических математических моделей, зависит от многих факторов, а сами прогнозы несут в себе значительную степень неопределенности, определяемую, в том числе, прогностической заблаговременностью. Ранее было установлено, что в течение первой декады прогностического периода межгодовая изменчивость климата значительно превышает ожидаемую величину климатических трендов, что делает прогноз крайне неопределённым. Такого рода неопределенность сохраняется для прогнозов климата, заблаговременностью до 20 лет. Именно поэтому интервал прогностической заблаговременности от месяцев до примерно 20 лет является своего рода «серой» зоной климатического прогнозирования, для которой эффективными могут быть альтернативные методы климатического прогнозирования, в основе которых лежит существование пространственно-временной регулярности изменчивости крупномасштабных процессов в атмосфере и океане. Примерами таких квазирегулярных устойчивых структур атмосферной циркуляции являются Североатлантическое колебание (САК), арктическая осцилляция (AO) и Южное колебание (ЮК) в поле атмосферного давления к югу от экватора над Тихим океаном. В океане к числу подобных структур относятся Атлантическая мульти-декадная осцилляция (АМО) в Северной Атлантике, Эль-Ниньо в экваториальной части Тихого океана, Тихоокеанское десятилетнее колебание (ТДО), проявляющиеся в флуктуациях температуры поверхности океана (ТПО). При этом более устойчивые океанические пространственно- временные структуры в поле ТПО могут поддерживать атмосферные циркуляционные структуры в поле атмосферного давления. Например, положительной фазе АМО, как правило, соответствует отрицательная аномалия САК, а явление Эль-Ниньо сопряжено с Южным колебанием, формируя совместное океанско-атмосферное явление Эль-Ниньо – Южное колебание (ЭНЮК). Климатическое прогнозирования в диапазоне от сезона до десятилетия включает научно-обоснованное предвидение устойчивых погодных структур типа волн жары летом, сопровождающихся засухой в средних широтах Евразии, и арктических вторжений, формирующих сезонные аномалии температуры воздуха. Господство западно-восточного переноса в атмосфере средних широт, отражаемое положительным индексом САК, сопровождается аномальными осадками. Климатический прогноз аномалий, связанных с этими явлениями, может быть построен на основе учёта влияния океана на атмосферные пространственно- временные структуры. В частности, как было установлено, аномалии ТПО в тропической Северной Атлантике влияют на формирование САК и на осадки в районах водосбора Сибирских рек. Аномалии ТПО в Индийском океане и западной части экваториального Тихого океана возбуждают волны Россби в атмосфере, которые переносят тепло и влагу в Арктику. Существуют и многие другие примеры влияния аномалий ТПО на климатические аномалии на территории Евразии, которые представлены в обзоре современного состояния исследований. Целью проекта является разработка методов прогнозирования климатических аномалий на территории Белоруссии и России на основе учёта регулярностей их формирования, связи с аномалиями в океане и с периодическими составляющими во внешних воздействиях. Методология разработки включает исследование структуры пространственно- временной изменчивости с использованием многомерного корреляционного, спектрального анализа, сингулярного спектрального анализа, ЕОФ -разложений и др., выделение климатических аномалий по заданному набору признаков и критериев, оценку пространственно- временных связей и запаздываний, построение прогностических уравнений. При этом в процессе обработки данных будут применяться технологии больших данных и искусственного интеллекта, включающие глубокое обучение, нейронные сети, построение автоматически обновляющихся прогностических уравнений. Для анализа будут использованы архивные данные наблюдений на метеостанциях по всему глобусу, реанализы и расчёты инсоляции ( http://www.solar-climate.com). В процессе выполнения проекта будут разработаны методы прогноза сезонных аномалий температуры воздуха и осадков для Белоруссии и отдельных регионов России с заблаговременностью от сезона до нескольких лет. Российские участники основное внимание уделят регионам России, белорусские участники проекта – территории Белоруссии.

ОТЧЁТНЫЕ МАТЕРИАЛЫ

Публикации

1. Солдатенко С. А. Искусственный интеллект и его применение в задачах численного прогноза погоды Метеорология и гидрология (год публикации - 2024)

2. Алексеев Г.В., Харланенкова Н.Е., Вязилова А.Е. Арктическое усиление: роль междуширотного обмена в атмосфере Фундаментальная и прикладная климатология, Фундаментальная и прикладная климатология, т. 9, № 1, 2023 (год публикации - 2023)
10.21513/2410-8758-2023-1-13-32

3. Алексеев Г.В., Харланенкова Н.Е., Вязилова А.Е. Arctic Amplification: InterlatitudinaI Exchange Role in the Atmosphere Izvestiya, Atmospheric and Oceanic Physics, Pleiades Publishing, Ltd., Izvestiya, Atmospheric and Oceanic Physics 2023, Vol. 59, Suppl. 2, pp. S103–S110 (год публикации - 2023)

4. Г.В. Алексеев, Н.Е. Харланенкова Связь между сокращением морских льдов и ростом температуры воздуха в морской Арктике Лед и снег, Академкнига (год публикации - 2024)

5. Кулижская П.В. Метод прогнозирования наличия тумана и идентификации его типа на основе нейросетей для аэродрома Санкт-Петербург (Пулково) Метеорология и гидрология (год публикации - 2024)

6. Солдатенко С.А. Conceptual Models for Exploring Sea-Surface Temperature Variability Vis-à Long-Range Weather Forecasting Journal of Marine Science and Engineering, Vol. 12, article ID 1483 (год публикации - 2024)
10.3390/jmse12091483

7. Алексеев Г. В., Харланенкова Н. Е. Связь между сокращем морских льдов и ростом темпратуры воздуха в Арктике Лед и снег, № 1, с. 96–105 (год публикации - 2024)
10.31857/S2076673424010077

8. Солдатенко С.А., Ангудович Я.И. Using Machine Learning for Climate Modelling: Application of Neural Networks to a Slow-Fast Chaotic Dynamical System as a Case Study Climate, Vol. 12, article ID 189 (год публикации - 2024)
10.3390/cli12110189

9. Солдатенко С.А., Ангудович Я.И. Методология суррогатного моделирования нелинейной динамики атмосферы: от концептуальной модели к нейронным сетям Метеорология и гидрология, № 2 (год публикации - 2025)

10. Алексеев Г.В., Харланенкова Н.Е., Иванов Н.Е., Глок Н.И. Мониторинг изменений климата в морской Арктике Проблемы Арктики и Антарктики, Том 70, № 1, с. 33–45. (год публикации - 2024)
10.30758/0555-2648-2024-70-1-33-45

Аннотация результатов, полученных в 2024 году
Целью проекта является разработка методов прогнозирования климатических аномалий на территории Беларуси и России на основе учёта регулярностей их формирования, связи с аномалиями в океане и с периодическими составляющими во внешних воздействиях с применением методов искусственного интеллекта. На данном этапе участниками проекта разработан методологический подход к моделированию нелинейной динамики системы «океан – атмосфера», подразумевающий построение суррогатной (подменной) модели рассматриваемого физического объекта на основе методов машинного обучения и, в частности, глубокого обучения с применением нейронных сетей. Физическая основа суррогатного моделирования при этом остается: на основе четкого понимания всей совокупности физических процессов, механизмов обратных и теле– связей, существующих в климатической системе Земли, а также комплексного анализа имеющихся в распоряжении участников проекта различных архивов климатических данных сформирован реестр потенциальных предикторов, связанных с предиктантом. С помощью климатических индикаторов и индексов исследована роль атмосферного и океанского переносов тепла и влаги из низких широт в средние и высокие широты в развитии аномалий температуры воздуха на территории Российской Федерации (РФ) и арктической зоны (АЗРФ), а также показана возможность их использования для перспективной оценки климатических аномалий. Изучены характеристики изменчивости атмосферных и океанических индексов и индикаторов, а именно их характерные масштабы, спектры, тренды и др. Показано, что характерные масштабы изменчивости индексов находят отражение в изменчивости климатических переменных, что подчеркивает важность исследований спектральной структуры изменчивости индексов и переменных. Особое внимание уделено изучению и прогнозу событий Эль-Ниньо ввиду значительных последствий этого явления для погоды и климата не только в тропиках, но и в средних и высоких широтах Оценена роль температуры поверхности океана (ТПО) в тропиках как драйвера региональных и глобальных аномалий климата. Показано, что запаздывание реакции климатической системы в умеренных и высоких широтах на аномалии ТПО в низких широтах выдвигает этот индикатор на роль предиктора для аномалий климата в умеренных и высоких широтах Евразии. Эта роль становится ещё более значимой, если найти причины колебаний ТПО. Одной из возможных причин может быть колебания инсоляции низких широт и светимости Солнца. В спектре инсоляции низких широт обнаруживаются характерные масштабы колебаний в диапазоне от двух до 12 лет, соответствующие подобным колебаниям расстояния между Землей и Солнцем. С помощью спектрального анализа получены характеристики изменчивости атмосферных и океанических индексов и индикаторов. На основании полученных оценок связи между аномалиями ТПО в низких широтах и в Северо-Европейском бассейне с температурой воздуха и параметрами морского ледяного покрова в Арктике построен соответствующий корреляционный граф (корреляционная матрица), из анализа которого следует, что ТПО в экваториальной области 10° ю.ш.–10° с.ш. определяет изменения температуры воздуха и содержания водяного пара в области 0–25° с.ш. и ТПО в тропической части Северной Атлантики (5–25° с.ш., 60–10° з.д.). ТПО в октябре в этой части Северной Атлантики влияет на изменения ТПО зимой в Норвежском, Гренландском и Баренцевом морях через 27 месяцев (на 3-й год). Индикатором изменений служит температура воды в слое 50–200 м на разрезе по Кольскому меридиану в декабре–январе. Последующий рост температуры воздуха и содержания водяного пара в Арктике под влиянием атмосферных переносов из приатлантической части способствуют повышению притока длинноволновой радиации к поверхности снега и льда, уменьшению суммы отрицательных температур воздуха и зимнего нарастания льда, что в последующем ускоряет летнее сокращение ледяного покрова. Используя установленные связи между сезонными температурами и индексами и индикаторами атмосферных и океанических структур, включая ТПО и уровень океана в низких широтах, построены уравнения множественной регрессии, на основе которых были составлены опытные прогнозы аномалий температуры на территории РФ и АЗРФ. Разработана процедура перехода от опытных прогнозов средних по пространству климатических температурных аномалий к опытным прогнозам пространственно-распределенных температурных аномалий и проанализированы полученные на ее основе результаты. Разработано алгоритмическое и программное обеспечение, реализующее концептуальные модели системы «океан – атмосфера», а также нейросетевую суррогатную прогностическую модель, предназначенную для прогнозирования температурных аномалий на территории России и Беларуси. Оценка качества результатов тестирования разработанного программного обеспечения подтверждает возможность использования нейросетевых технологий для составления долгосрочных метеорологических прогнозов и прогнозов климата. Задача долгосрочного метеорологического прогноза и прогноза климата ставится нами как задача прогнозирования временных рядов с применением рекуррентных нейронных сетей и их разновидностей — LSTM и GRU. При этом предпочтение отдается сетям LSTM, созданных для моделирования временных последовательностей при учете долгосрочных зависимостей в них. Тестирование алгоритмов, которые используются в процессе синтеза модели для целей долгосрочного метеорологического прогноза и прогноза климата, выполнялось на двух концептуальных моделях совместной динамической системы «океан – атмосфера». В первой модели атмосферная компонента представлена нелинейной динамической системой малой размерности, предложенной Э. Лоренцом в 1984 году, а океаническая компонента – моделью гармонического осциллятора. Данная модель, содержащая пять нелинейных дифференциальных уравнений (ДУ), позволяет сымитировать некоторые основные особенности общей циркуляции атмосферы (ОЦА) и, в частности, циркуляцию Хэдли. Вторая модель представлена динамической системой, объединяющей две версии известной модели детерминированного хаоса (модель Э. Лоренца 1963 года) с малым параметром разделения масштаба времени. Данная модель содержит шесть нелинейных ДУ. «Быстрая» компонента имитирует поведение атмосферы, а «медленная» компонента – динамику океана. Согласно результатам валидации, двунаправленная LSTM характеризуется высокой точностью. Полученные на данном этапе результаты позволили нам сформировать прототип нейросетевой модели, предназначенной для составления долгосрочных метеорологических прогнозов на территории России и Беларуси. «Настройка» модели на решение конкретной прогностической задачи (заблаговременность прогноза, регион, по которому составляется прогноз, набор используемых предикторов), а также выбор конфигурации нейронной сети представляет собой трудоемкую экспериментальную работу, которая в настоящее время выполняется.

Публикации