Հաշվողական կլիմայի մոդելավորման մեթոդներ
Հաշվողական կլիմայի մոդելավորումը Երկրի կլիմայական համակարգը՝ մթնոլորտը, օվկիանոսը, ցամաքը, սառույցը և կենսոլորտը, համակարգիչների կողմից մոդելավորված մաթեմատիկական հավասարումների տեսքով ներկայացնելու գիտական ջանքն է: Նպատակը պարզապես «եղանակը կանխատեսելը» չէ, այլ երկարաժամկետ կլիմայի վարքագիծը հասկանալը, մարդկային գործունեության ազդեցությունը գնահատելը և ապագա սցենարների ուսումնասիրությունը՝ հիմնվելով ջերմոցային գազերի արտանետումների, հողօգտագործման և բնական գործոնների, ինչպիսիք են հրաբխային ժայթքումները և արևային տատանումները, փոփոխությունների վրա: Քանի որ կլիման բարդ համակարգ է, կլիմայի մոդելավորումը հիմնված է մի շարք լրացուցիչ հաշվողական տեխնիկաների վրա՝ հավասարումների վրա հիմնված ֆիզիկական մոդելներից մինչև վիճակագրական և մեքենայական ուսուցման մոտեցումներ:
1. Ֆիզիկական հավասարումների վրա հիմնված մոդելներ (դինամիկ մոդելներ)
Կլիմայի մոդելավորման ամենահիմնարար տեխնիկան դինամիկ մոդելավորումն է, որը մոդելներ է կառուցում հայտնի ֆիզիկական օրենքներից: Ըստ էության, մթնոլորտի և օվկիանոսի դինամիկան նկարագրվում է մասնակի դիֆերենցիալ հավասարումներով, ինչպիսիք են Նավյե-Սթոքսի հավասարումները (հեղուկների համար), թերմոդինամիկայի հավասարումները (էներգիա), զանգվածի պահպանման օրենքը (շարունակականություն) և ջրային գոլորշու փոխադրման կամ աղիության հավասարումները: Քանի որ այս հավասարումները չունեն պարզ վերլուծական լուծումներ մոլորակային մասշտաբով, համակարգիչներն օգտագործվում են ժամանակի ընթացքում թվային ինտեգրացիա կատարելու համար:
Կլիմայի դինամիկայի մոդելները սովորաբար բաժանվում են մի քանի բաղադրիչների՝ մթնոլորտ, օվկիանոս, ցամաք, ծովային սառույց և երբեմն մթնոլորտային քիմիա: Այս բաղադրիչների միջև փոխազդեցությունները կապված են էներգիայի, խոնավության, իմպուլսի և ածխածնի հոսքերի փոխանակման միջոցով: Ֆիզիկական մոտեցման առավելությունը բնության հիմնարար սկզբունքների հետ համապատասխանությունն է. դրա թերությունները հաշվողական արժեքն են և չափազանց փոքր մասշտաբի պրոցեսների համար պարզեցումների վրա հիմնվելը (օրինակ՝ կոնվեկտիվ ամպեր):
2. Ցանցային դիսկրետացում և տարածաժամանակային լուծաչափ
Քանի որ Երկիրը անընդհատ է, մոդելները պահանջում են դիսկրետացման տեխնիկաներ. մակերեսը և մթնոլորտը բաժանված են ցանցային բջիջների (քառակուսիների)՝ լայնության-երկայնության և ուղղահայաց շերտերով: Ցանցային լուծաչափը (օրինակ՝ 100 կմ, 25 կմ կամ ավելի նուրբ) որոշում է այն մանրամասները, որոնք կարող են ներկայացվել: Որքան նուրբ է լուծաչափը, այնքան ավելի շատ տեղական պրոցեսներ կարող են բացահայտորեն «ցույց տրվել», սակայն հաշվողական պահանջները կտրուկ աճում են:
Բացի ավանդական լայնության-երկայնության ցանցից, որոշ մոդելներ օգտագործում են խորանարդ-գնդաձև ցանց կամ վերջավոր տարրերի մեթոդներ՝ բևեռների մոտ թվային խնդիրները մեղմելու համար: Ժամանակային քայլի ընտրությունը նույնպես կարևոր է. չափազանց մեծ ժամանակային քայլը կարող է մոդելը դարձնել անկայուն, մինչդեռ չափազանց փոքր քայլը դանդաղեցնում է սիմուլյացիան: Հետևաբար, որոշակի թվային սխեմաներ, ինչպիսիք են կիսա-ներքին կամ բաժանված-բացահայտ, օգտագործվում են կայունությունը պահպանելու և արդյունավետ մնալու համար:
3. Ենթացանցային գործընթացների պարամետրացում
Ցանցային բջիջներից փոքր մասշտաբներում տեղի են ունենում շատ կարևոր գործընթացներ, ինչպիսիք են ամպագոյացումը, սահմանային շերտի տուրբուլենտությունը, կոնվեկտիվ տեղումները կամ աէրոզոլ-ամպ փոխազդեցությունները: Քանի որ դրանք չեն կարող բացահայտորեն մոդելավորվել ընդհանուր գլոբալ լուծաչափերով, դրանք ներկայացված են պարամետրացումներով՝ էմպիրիկ կամ կիսաէմպիրիկ կանոններով, որոնք ցանցային մասշտաբի պայմանները կապում են փոքր գործընթացների միջին ազդեցությունների հետ:
Պարամետրացումը կլիմայական կանխատեսումների անորոշության ամենամեծ աղբյուրներից մեկն է, մասնավորապես՝ ամպերի վերաբերյալ, որոնք ազդում են Երկրի անդրադարձման (ալբեդո) և ճառագայթային հետադարձ կապի վրա: Ժամանակակից պարամետրացման տեխնիկաները ներառում են ստոխաստիկ պարամետրացման մոտեցումներ, որոնք ներառում են հավանականային տարրեր՝ ցանցի կողմից չլուծված փոքր տատանումները ներկայացնելու համար:
4. Ընդհանուր շրջանառության մոդելներ և Երկրի համակարգի մոդելներ (GCM և ESM)
Առավել հայտնի գլոբալ կլիմայական մոդելները ընդհանուր շրջանառության մոդելներն են (ԸՇՄ), որոնք մոդելավորում են մթնոլորտային և/կամ օվկիանոսային շրջանառությունը մոլորակային մասշտաբով: Ավելի համապարփակ մոդելները հայտնի են որպես Երկրի համակարգի մոդելներ (ԷՀՄ), որոնք ավելացնում են կենսաերկրաքիմիական ցիկլեր, ինչպիսիք են ածխածնի և ազոտի ցիկլերը և բուսականության դինամիկան: ԷՀՄ-ների միջոցով հետազոտողները կարող են ուսումնասիրել ոչ միայն ջերմաստիճանի արձագանքը արտանետումներին, այլև այն, թե ինչպես է կլիմայի փոփոխությունը ազդում էկոհամակարգերի ածխածինը կլանելու ունակության վրա, այդպիսով ստեղծելով կլիմայական-ածխածնային հետադարձ կապ:
Կիրառական մակարդակում այս մոդելն օգտագործվում է «սցենարների» փորձարկման համար. օրինակ՝ ինչպես կփոխվի կլիման, եթե արտանետումները շարունակեն աճել, մնան կայուն կամ արագ նվազեն: Արդյունքները հիմք են հանդիսանում միջազգային գիտական ուսումնասիրությունների համար և տեղեկատվություն են տրամադրում կլիմայական քաղաքականության վերաբերյալ:
5. Մասշտաբի կրճատում. գլոբալից դեպի տարածաշրջանային
Օգտատերերի կարիքները հաճախ տեղական են՝ քաղաքային տեղումների ազդեցությունը, գյուղատնտեսական տարածքներում ծայրահեղ ջերմաստիճանը կամ գետավազանի ջրհեղեղի ռիսկը: Քանի որ գլոբալ մոդելները հաճախ չափազանց կոպիտ են տեղական մանրամասների համար, օգտագործվում են փոքրացման մեթոդներ:
Կան երկու հիմնական մոտեցումներ։ Առաջինը՝ դինամիկ մասշտաբի փոքրացում տարածաշրջանային կլիմայական մոդելի (RCM) միջոցով, որը բարձր թույլտվությամբ մոդել է գործարկում որոշակի տարածաշրջանի վրա՝ գլոբալ մոդելի սահմանափակումներով։ Երկրորդ՝ վիճակագրական մասշտաբի փոքրացում, որը հաստատում է վիճակագրական կապեր մեծամասշտաբ փոփոխականների (օրինակ՝ մթնոլորտային շրջանառություն) և տեղական փոփոխականների (կայանային տեղումների) միջև։ Վիճակագրական մասշտաբի փոքրացումն ավելի էժան է, բայց հիմնված է այն ենթադրության վրա, որ անցյալի վիճակագրական կապերը կպահպանվեն նաև ապագայում։
6. Տվյալների յուրացում մոդելի վերակառուցման և համապատասխանության համար
Չնայած տվյալների ասիմիլյացիան առավել հայտնի է եղանակի կանխատեսման մեջ, այս տեխնիկան կարևոր է նաև կլիմայի մոդելավորման մեջ, մասնավորապես՝ պատմական կլիմայական պայմանների վերավերլուծության և վերականգնման համար: Տվյալների ասիմիլյացիան համատեղում է դիտարկումները (արբանյակ, կայան, նավ, լողացող) մոդելային նախնական տվյալների հետ՝ մթնոլորտի և օվկիանոսի վիճակի ֆիզիկապես հետևողական գնահատականներ ստանալու համար:
Հանրաճանաչ մեթոդներից են Կալմանի ֆիլտրը (և դրա ածանցյալները, ինչպիսիք են Ensemble Kalman Filter-ը) և վարիացիոն մոտեցումները (3D-Var/4D-Var): Կլիմայական համատեքստում ասիմիլյացիան օգնում է միավորել ցրված և թերի տվյալները՝ ապահովելով պատմական արդյունքներ, որոնք օգտակար են մոդելների գնահատման և երկարաժամկետ միտումները հասկանալու համար:
7. Անորոշության և հավանականության համակցված մոդելավորում
Կլիման քաոսային է, ուստի սիմուլյացիայի արդյունքները զգայուն են սկզբնական պայմանների և պարամետրերի ընտրության նկատմամբ: Դրան հասնելու համար օգտագործվում է համակցված մոդելավորում. մոդելը մի քանի անգամ գործարկվում է տարբեր սկզբնական պայմաններով, սցենարներով կամ պարամետրերով՝ հնարավորությունների մի շարք ստեղծելու համար: Համակցված մոդելները թույլ են տալիս հետազոտողներին գնահատել իրադարձության հավանականությունը (օրինակ՝ ծայրահեղ ջերմային ալիքի հավանականության կրկնապատկումը), այլ ոչ թե միայն մեկ արդյունքի հետագիծ:
Անսամբլը նաև աջակցում է բազմամոդելային անսամբլներին, որոնք համատեղում են տարբեր գործակալություններից ստացված բազմաթիվ մոդելներ: Մոդելների միջև համեմատությունները օգտակար են կայուն (համաձայնեցված) և անորոշ հատկանիշները բացահայտելու համար:
8. Մոդելի գնահատում և կատարողականի չափում (մոդելի ստուգում)
Մոդելավորման տեխնիկաները չեն սահմանափակվում միայն սիմուլյացիաների իրականացմամբ. մոդելի գնահատումը նույնքան կարևոր է: Մոդելները համեմատվում են պատմական դիտարկումների, վերավերլուծությունների և պալեոկլիմայական գրառումների (օրինակ՝ սառցե միջուկների կամ նստվածքների) հետ՝ ջերմաստիճանի, տեղումների, մուսսոնային շրջանառության, Էլ Նինյո-Լա Նինյայի և գլոբալ տաքացման միտումների օրինաչափությունները վերարտադրելու դրանց կարողությունը ստուգելու համար: Գնահատման մեթոդները ներառում են վիճակագրական չափանիշներ (շեղում, RMSE, կորելյացիա), ծայրահեղությունների վերլուծություն և էներգիայի ու ջրի պահպանման գնահատումներ:
Ժամանակակից գնահատումը նաև շեշտը դնում է գործընթացների վրա հիմնված գնահատման վրա՝ ոչ միայն համապատասխանեցնելով թվերը, այլև գնահատելով, թե արդյոք մոդելը վերարտադրում է ճիշտ ֆիզիկական գործընթացները, օրինակ՝ արևադարձային շրջաններում ամպագոյացման մեխանիզմները կամ օվկիանոսի հիմնական հոսանքների դինամիկան։
9. Մեքենայական ուսուցում և հիբրիդային մոդելներ
Վերջին տարիներին մեքենայական ուսուցումը (ML) դարձել է լրացուցիչ տեխնիկա։ ML-ն օգտագործվում է թանկարժեք բաղադրիչները արագացնելու (փոխարինող մոդելավորում), շեղումները շտկելու (շեղումների ուղղում) կամ ամպերի և տուրբուլենտության պարամետրացումներ կառուցելու համար, որոնք ստացվել են շատ բարձր թույլտվությամբ սիմուլյացիաներից և դիտողական տվյալներից։
Հեռանկարային մոտեցում է հիբրիդային մոդելը. ֆիզիկական միջուկի (պահպանման օրենքների հետ համապատասխանությունը պահպանելու համար) և ենթացանցային պրոցեսների համար նախատեսված մեքենայական ուսուցման մոդուլի համադրությունը: Հիմնական մարտահրավերներն են՝ ընդհանրացումը մարզման տվյալների տիրույթից դուրս, մեկնաբանելիությունը և թվային կայունության ապահովումը, երբ մեքենայական ուսուցումը ինտեգրվում է երկարաժամկետ կլիմայական մոդելների մեջ:
10. Բարձր արդյունավետության հաշվարկներ և էներգաարդյունավետություն
Ժամանակակից կլիմայի մոդելավորումը գործում է հազարավորից մինչև միլիոնավոր հաշվողական միջուկներ ունեցող գերհամակարգիչների վրա: Զուգահեռացման տեխնիկան, կոդի օպտիմալացումը և տվյալների մուտքագրման-ելքի կառավարումը գլխավորն են: Ավելի ու ավելի բարձր լուծաչափերը և ավելի մեծ համույթները ստեղծում են պետաբայթ տվյալներ, ինչը տվյալների կառավարումը, սեղմումը և տեղում վերլուծությունը (տվյալների մշակումը սիմուլյացիայի ընթացքում) դարձնում է ավելի կարևոր:
Գրաֆիկական պրոցեսորների և նոր հաշվողական ճարտարապետությունների ի հայտ գալը հանգեցրել է մոդելների վերափոխմանը՝ դրանք ավելի արդյունավետ դարձնելու համար: Միևնույն ժամանակ, կլիմայական համայնքը նույնպես սկսում է հաշվի առնել հաշվողական տեխնիկայի ածխածնային հետքը՝ արդյունավետությունը դարձնելով ոչ միայն ժամանակի, այլև էներգիայի սպառման հարց:
Penutup
Հաշվողական կլիմայի մոդելավորման մեթոդները համատեղում են ֆիզիկան, թվային մաթեմատիկան, վիճակագրությունը, տվյալագիտությունը և բարձր արդյունավետության հաշվարկները: Հավասարումների վրա հիմնված դինամիկ մոդելներից, ցանցի դիսկրետացումից և ենթացանցի պարամետրացումից մինչև համույթներ, մասշտաբի փոքրացում, տվյալների ասիմիլյացիա և մեքենայական ուսուցման ինտեգրացիա, բոլորն էլ նպատակ ունեն հասկանալ բարդ կլիմայական համակարգը և տրամադրել հուսալի տեղեկատվություն: Դիտարկումների, տեսությունների և հաշվողական հնարավորությունների կատարելագործմանը զուգընթաց, կլիմայի մոդելավորումը ավելի ու ավելի կկարողանա պատասխանել հրատապ հարցերին. ինչպես է կլիման փոխվում, որքան արագ է այն փոխվում, և որ ռազմավարություններն են առավել արդյունավետ ապագա մեղմացման և հարմարվողականության համար:
