A diversidade e a natureza fugaz das nuvens representam desafios

Para simular a precipitação, devemos ir à sua fonte: as nuvens. As nuvens podem existir em escalas menores que 100 metros, o tamanho de um campo de atletismo – muito abaixo do quilômetrosresolução em escala de modelos climáticos globais, ou o dezenas de quilômetros–resolução em escala de modelos climáticos globais. As nuvens vêm em diferentes tipos, mudam rapidamente, e a intrincada física que acontece em escalas ainda menores pode gerar gotículas de água ou cristais de gelo. Toda essa complexidade é impossível de ser resolvida ou calculada por modelos de grande escala.

Para explicar o efeito de processos atmosféricos de pequena escala, como a formação de nuvens, no clima, os modelos usam aproximações, chamadas parametrizaçõesque são baseados em outras variáveis. Em vez de depender dessas parametrizações, o NeuralGCM usa uma rede neural para aprender os efeitos de tais eventos de pequena escala diretamente a partir dos dados meteorológicos existentes.

Melhoramos a representação da precipitação nesta versão do nosso modelo treinando a porção ML do NeuralGCM diretamente em observações de precipitação baseadas em satélite. O oferta inicial de NeuralGCM foi, como a maioria dos modelos meteorológicos de ML, treinado em recriações de condições atmosféricas anteriores, ou seja, reanalisaque combinam modelos baseados em física com observações para preencher lacunas nos dados observacionais. Mas a física das nuvens é tão complexa que até mesmo as reanálises lutam para acertar a precipitação. Treinar os resultados das reanálises significa reproduzir as suas fraquezas, por exemplo, nos extremos de precipitação e no ciclo diário.

Em vez disso, treinamos a parte de precipitação do NeuralGCM diretamente em Baseado em satélite da NASA observações de precipitação abrangendo de 2001 a 2018. NeuralGCM’s núcleo dinâmico diferencial a infraestrutura nos permitiu treiná-lo em observações de satélite. Os modelos híbridos anteriores que combinavam física e IA só podiam usar resultados de simulações de alta fidelidade ou dados de reanálise. Ao treinar o componente de IA do NeuralGCM diretamente em observações de satélite de alta qualidade, em vez de depender de reanálises, estamos efetivamente encontrando uma parametrização melhor, aprendida por máquina, para a precipitação.