Как изменение климата повлияет на облака

Прочитано: 178 раз(а)


Мы много слышим о том, как изменение климата изменит землю, море и лед. Но как это повлияет на облака?

«Низкие облака могут высыхать и сжиматься, как ледяные щиты», — говорит Майкл Притчард, профессор науки о Земле в Калифорнийском университете в Ирвине. «Или они могут утолщаться и становиться более отражающими».

Эти два сценария приведут к очень разным климатическим условиям будущего. И это, по словам Причарда, является частью проблемы.

«Если вы спросите у двух разных климатических моделей, каким будет будущее, когда мы добавим гораздо больше CO 2 , вы получите два совершенно разных ответа. И ключевая причина этого заключается в том, как облака включены в климатические модели».

Никто не отрицает, что облака и аэрозоли — кусочки сажи и пыли, из которых состоят облачные капельки, — являются важной частью климатического уравнения. Проблема в том, что эти явления происходят в масштабах длины и времени, которые сегодняшние модели не могут воспроизвести. Поэтому они включаются в модели посредством различных приближений.

Анализ моделей глобального климата последовательно показывает, что облака представляют собой самый большой источник неопределенности и нестабильности.

Перенастройка кодов сообщества

В то время как самая передовая глобальная климатическая модель США изо всех сил пытается приблизиться к глобальному разрешению в 4 километра, по оценкам Притчарда, модели нуждаются в разрешении не менее 100 метров, чтобы зафиксировать мелкомасштабные турбулентные водовороты , образующие неглубокие облачные системы . направление. Согласно закону Мура, может пройти до 2060 года, прежде чем вычислительная мощность станет доступной для захвата такого уровня детализации.

Притчард работает над устранением этого вопиющего пробела, разбивая проблему моделирования климата на две части: крупнозернистую планетарную модель с более низким разрешением (100 км) и множество небольших участков с разрешением от 100 до 200 метров. Два моделирования выполняются независимо друг от друга, а затем обмениваются данными каждые 30 минут, чтобы убедиться, что ни одно из них не выходит из-под контроля и не становится нереалистичным.

Его команда сообщила о результатах этих усилий в Journal of Advances in Modeling Earth Systems в апреле 2022 года.

Этот метод моделирования климата, называемый «Система многомасштабного моделирования (MMF)», существует примерно с 2000 года и долгое время был вариантом модели Сообщества Земляной системы (CESM), разработанной в Национальном центре атмосферных исследований. В последнее время эта идея переживает ренессанс в Министерстве энергетики, где исследователи из Energy Exascale Earth System Model (E3SM) продвигают ее к новым вычислительным границам в рамках Exascale Computing Project. Соавтор Причарда Уолтер Ханна из Ливерморской национальной лаборатории Лоуренса помогает руководить этой работой.

«Модель завершает работу над самой сложной проблемой — моделированием всей планеты», — объяснил Притчард. «У него есть тысячи маленьких микромоделей, которые фиксируют такие вещи, как реалистичное образование неглубоких облаков, которые появляются только в очень высоком разрешении».

«Подход Multiscale Modeling Framework также идеально подходит для будущих экзафлопсных компьютеров DOE на базе графических процессоров», — сказал Марк Тейлор, главный научный сотрудник проекта Energy Exascale Earth System Model (E3SM) DOE и научный сотрудник Sandia National Laboratories. «Каждый графический процессор имеет мощность, позволяющую запускать сотни микромоделей, при этом не уступая производительности крупнозернистой планетарной модели с более низким разрешением».

Исследования и новый подход Причарда стали возможными благодаря суперкомпьютеру Frontera, финансируемому NSF, в Техасском центре передовых вычислений (TACC). Самый быстрый университетский суперкомпьютер в мире, Причард может запускать свои модели на Frontera в масштабе времени и длины, доступных только на нескольких системах в США, и проверять их потенциал для облачного моделирования.

«Мы разработали способ для суперкомпьютера наилучшим образом разделить работу по моделированию физики облаков в разных частях мира, которые требуют разного разрешения… чтобы он работал намного быстрее», — написала команда.

Моделирование атмосферы таким образом дает Притчарду разрешение, необходимое для захвата физических процессов и турбулентных водоворотов, связанных с формированием облаков. Исследователи показали, что подход с несколькими моделями не приводит к нежелательным побочным эффектам, даже если встречаются патчи, использующие различные сетки для разрешения облаков.

«Мы были счастливы, поэтому видим, что различия были небольшими», — сказал он. «Это обеспечит новую гибкость для всех пользователей климатических моделей, которые хотят сфокусировать высокое разрешение в разных местах».

Выделение и повторное соединение различных масштабов модели CESM было одной из задач, которую преодолела команда Причарда. Другой заключался в перепрограммировании модели, чтобы она могла использовать преимущества постоянно растущего числа процессоров, доступных в современных суперкомпьютерных системах.

Притчард и его команда — постдокторант UCI Лиран Пэн и научный сотрудник Вашингтонского университета Питер Блосси — решили эту проблему, разбив внутренние домены встроенных облачных моделей CESM на более мелкие части, которые можно было решать параллельно с помощью MPI или интерфейса передачи сообщений — способ обмена сообщениями между несколькими компьютерами, выполняющими параллельную программу в распределенной памяти, и организации этих вычислений для использования большего количества процессоров.

«Похоже, что это уже обеспечивает четырехкратное ускорение с высокой эффективностью. Это означает, что я могу быть в четыре раза более амбициозным для своих моделей облачного разрешения», — сказал он. «Я очень оптимистичен в том, что эта мечта о регионализации и декомпозиции MPI ведет к совершенно другому ландшафту того, что возможно».

Облака машинного обучения

Причард видит еще один многообещающий подход в машинном обучении, который его команда изучает с 2017 года. «Меня очень раздражает то, насколько быстро глупый лист нейронов может воспроизводить эти дифференциальные уравнения в частных производных», — сказал Причард.

Исследования и новый подход Причарда стали возможными благодаря суперкомпьютеру Frontera в TACC, финансируемом NSF. Самый быстрый университетский суперкомпьютер в мире. Причард может запускать свои модели на Frontera в масштабе времени и длины, доступных только на нескольких системах в США, и проверять их потенциал для облачного моделирования.

В статье, представленной прошлой осенью, Притчард, ведущий автор Том Бьюклер из UCI и другие описывают подход к машинному обучению, который успешно предсказывает атмосферные условия даже в климатических режимах, на которых он не обучался, в то время как другие пытались это сделать.

Эта «инвариантная к климату» модель включает физические знания о климатических процессах в алгоритмы машинного обучения. Их исследование, в котором использовались Stampede2 в TACC, Cheyenne в Национальном центре атмосферных исследований и Expanse в суперкомпьютерном центре Сан-Диего, показало, что метод машинного обучения может поддерживать высокую точность в широком диапазоне климатических и географических условий.

«Если машинное обучение физике облаков с высоким разрешением когда-нибудь добьется успеха, это изменит все, что касается моделирования климата», — сказал Притчард. «Мне интересно посмотреть, насколько воспроизводимо и надежно подход машинного обучения может быть успешным в сложных условиях».

Причард имеет хорошие возможности для этого. Он входит в исполнительный комитет Центра изучения Земли с помощью искусственного интеллекта и физики NSF, или LEAP — нового научно-технического центра, финансируемого NSF в 2021 году под руководством его давнего сотрудника по этой теме, профессора Пьера Жентина. LEAP объединяет ученых-климатологов и специалистов по данным, чтобы сузить диапазон неопределенности в моделировании климата, предоставляя более точные и действенные климатические прогнозы, которые оказывают непосредственное воздействие на общество.

«Все исследования, которые я проводил раньше, я бы назвал «ограниченными по пропускной способности», — сказал Притчард. «Моя работа заключалась в создании симуляций на период от 10 до 100 лет. Это сдерживало все мои выборы сетки. Однако, если цель состоит в том, чтобы создавать короткие симуляции для обучения моделей машинного обучения, это другой ландшафт».

Притчард надеется вскоре использовать результаты своих 50-метровых встроенных моделей, чтобы начать создание большой обучающей библиотеки. «Это действительно хороший набор данных для машинного обучения».

Но достаточно ли быстро созреет ИИ? Время имеет существенное значение, чтобы выяснить судьбу облаков.

«Если эти облака уменьшатся, как ледяные щиты, обнажая более темные поверхности, это усилит глобальное потепление и все связанные с ним опасности. «Некоторые оценили это как многотриллионную проблему для общества. И это долгое время было под вопросом», — сказал Притчард.

Симуляция за симуляцией, суперкомпьютеры, финансируемые из федерального бюджета, помогают Причарду и другим найти ответ на этот важный вопрос.

«Я разрываюсь между искренней благодарностью за национальную вычислительную инфраструктуру США, которая так невероятно помогает нам разрабатывать и запускать климатические модели, — сказал Притчард, — и ощущением, что нам нужен уровень Манхэттенского проекта с новым федеральным финансированием и межведомственной координацией, чтобы на самом деле решить эту проблему».

Как изменение климата повлияет на облака



Новости партнеров