När du kollar väderprognosen på morgonen, resultaten du ser bestäms mer än troligt av Weather Research and Forecasting-modellen (WRF), en omfattande modell som simulerar utvecklingen av många aspekter av den fysiska världen omkring oss.

"Den beskriver allt du ser utanför ditt fönster, sa Jiali Wang, en miljöforskare vid det amerikanska energidepartementets (DOE) Argonne National Laboratory, "från molnen, till solens strålning, till snö till växtlighet – till och med hur skyskrapor stör vinden."

De otaliga egenskaperna och orsakerna till väder och klimat är sammankopplade, kommunicerar med varandra. Forskare har ännu inte fullständigt beskrivit dessa komplexa relationer med enkla, enhetliga ekvationer. Istället, de approximerar ekvationerna med hjälp av en metod som kallas parameterisering där de modellerar sambanden i en skala som är större än de faktiska fenomenen.

Även om parametreringar förenklar fysiken på ett sätt som gör att modellerna kan producera relativt exakta resultat på rimlig tid, de är fortfarande beräkningsmässigt dyra. Miljövetare och beräkningsforskare från Argonne samarbetar för att använda djupa neurala nätverk, en typ av maskininlärning, att ersätta parametreringen av vissa fysiska scheman i WRF-modellen, avsevärt minska simuleringstiden.

"Med mindre dyra modeller, vi kan åstadkomma simuleringar med högre upplösning för att förutsäga hur kortsiktiga och långsiktiga förändringar i vädermönster påverkar den lokala skalan, sa Wang, "även ner till stadsdelar eller specifik kritisk infrastruktur."

I en nyligen genomförd studie, forskarna fokuserade på det planetariska gränsskiktet (PBL), eller lägsta delen av atmosfären. PBL är det atmosfäriska skikt som mänsklig aktivitet påverkar mest, och den sträcker sig bara några hundra meter över jordens yta. Dynamiken i detta lager, som vindhastighet, temperatur- och luftfuktighetsprofiler, är avgörande för att bestämma många av de fysiska processerna i resten av atmosfären och på jorden.

PBL är en avgörande komponent i WRF-modellen, men det är också en av de minst beräkningsmässigt dyra. Detta gör det till en utmärkt testbädd för att studera hur mer komplicerade komponenter kan förbättras genom djupinlärning av neurala nätverk på samma sätt.

"Vi använde 20 år av datorgenererad data från WRF-modellen för att träna de neurala nätverken och två års data för att utvärdera om de kunde ge ett korrekt alternativ till de fysikbaserade parametriseringarna, sa Prasanna Balaprakash, en datavetare och mottagare av DOE Early Career Award i Argonnes division Mathematics and Computer Science och Argonne Leadership Computing Facility (ALCF), en DOE Office of Science User Facility.

Balaprakash utvecklade det neurala nätverket och tränade det att lära sig ett abstrakt förhållande mellan input och output genom att mata det mer än 10, 000 datapunkter (8 per dag) från två platser, en i Kansas och en i Alaska. Resultatet blev en algoritm som forskarna är övertygade om kan ersätta PBL-parameteriseringen i WRF-modellen.

Forskarna visade att ett djupt neuralt nätverk som tar hänsyn till en del av den underliggande strukturen i förhållandet mellan in- och utvariablerna kan framgångsrikt simulera vindhastigheter, temperatur och vattenånga över tiden. Resultaten visar också att ett tränat neuralt nätverk från en plats kan förutsäga beteende över närliggande platser med korrelationer högre än 90 procent jämfört med testdata.

"Samarbetet mellan klimatforskarna och datavetarna var avgörande för de resultat vi uppnådde, sa Rao Kotamarthi, chefsvetare och avdelningschef för atmosfärsvetenskap och klimatforskning vid Argonnes division Miljövetenskap. "Att integrera vår domänkunskap gör algoritmen mycket mer förutsägbar."

Algoritmerna – som kallas domänmedvetna neurala nätverk – som tar hänsyn till kända samband kan inte bara förutsäga miljödata mer exakt, men de kräver också utbildning av betydligt mindre data än algoritmer som inte tar hänsyn till domänexpertis.

Alla maskininlärningsprojekt kräver en stor mängd data av hög kvalitet, och det fanns ingen brist på data för denna studie. Superdatorresurser vid ALCF och National Energy Research Scientific Computing Center, en DOE Office of Science User Facility vid Lawrence Berkeley National Laboratory, bidragit till produktionen av mer än 300 år (700 terabyte) av data som beskriver tidigare, nuvarande och framtida väder och klimat i Nordamerika.

"Denna databas är unik för klimatvetenskapen vid Argonne, sa Wang, "och vi använder det för att genomföra ytterligare studier inom djupinlärning och avgöra hur det kan tillämpas på klimatmodeller."

Forskarnas slutmål är att ersätta alla de dyra parametreringarna i WRF-modellen med neurala nätverk för djupinlärning för att möjliggöra snabbare simulering med högre upplösning.

För närvarande, teamet arbetar med att emulera långvågig och kortvågig solstrålningsparameterisering – två delar av WRF-modellen som tillsammans tar upp nästan 40 % av beräkningstiden för fysiken i simuleringarna.

Resultaten av studien publicerades i en artikel med titeln "Fast domain-aware neural network emulation of a planetary boundary layer parameterization in a numerical weather forecast model" den 10 oktober i Geovetenskaplig modellutveckling 12, 4261–4274, 2019.