Новый метод машинного обучения для усвоения атмосферных данных
Цель усвоения атмосферных данных — получение трехмерного сеточного представления полей переменных состояния атмосферы (температуры, ветра, давления и т.д.) для конкретного момента времени на основе атмосферных наблюдений. Продукт усвоения данных, называемый анализом, может использоваться для подготовки синоптических карт и для запуска модельных прогнозов погоды. Анализы, собранные за длительный период времени, также могут применяться в исследованиях и для мониторинга изменчивости и изменений климата.
Основные проблемы усвоения данных заключаются в том, что наблюдения не совпадают по местоположению с точками сетки анализа, и большинство наблюдений не измеряют интересующие переменные напрямую, а также содержат ошибки. Например, спутниковые наблюдения, которые составляют основу оперативно усваиваемых данных, измеряют интенсивность электромагнитных волн на верхней границе атмосферы — физическую величину, которая зависит от состояния атмосферы чрезвычайно сложным образом.
Ковариационная матрица ошибок фона является ключевым компонентом системы усвоения данных, отвечающим за распространение информации от наблюдений на ненаблюдаемые местоположения и переменные состояния. Хорошая оценка этой матрицы необходима для получения анализов, в которых поля переменных состояния реалистичны и согласованы друг с другом. Получение такой оценки особенно сложно для тропических регионов, где знания, основанные на физических законах, не приводят к простой практической формулировке.
В новом исследовании Мелинк и соавторы [2026] предлагают новый подход на основе машинного обучения (МО) для определения матрицы ошибок фона, который одинаково эффективен как в средних широтах, так и в тропиках. Этот подход использует возможности МО для выявления количественных связей между различными переменными состояния в разных местах — связей, которые либо неизвестны, либо не могут быть легко использованы для формулировки матрицы ошибок фона на основе физических знаний.
Разработанный метод демонстрирует значительное улучшение качества анализа в тропической зоне, где традиционные физически обоснованные подходы часто дают сбои из-за слабой выраженности геострофического баланса и других механизмов, характерных для умеренных широт. Авторы обучили модель на исторических данных реанализа, что позволило ей улавливать тонкие статистические зависимости между переменными, например, между полями температуры и расходимости ветра в условиях конвекции.
Предварительные результаты показывают, что использование ML-матрицы не только повышает точность воспроизведения полей влажности и осадков, но и уменьшает систематические ошибки краткосрочных прогнозов. Это открывает путь к созданию гибридных систем усвоения, в которых физические уравнения сочетаются с эмпирическими закономерностями, выученными нейронными сетями. Дальнейшие исследования будут направлены на адаптацию метода для реального времени и оценку его устойчивости при изменении климатических условий.
