Тооцооллын цаг уурын загварчлалын аргууд
Тооцооллын уур амьсгалын загварчлал нь дэлхийн уур амьсгалын систем болох агаар мандал, далай, хуурай газар, мөс, биосферийг компьютерээр симуляцилагдсан математикийн тэгшитгэлийн хэлбэрээр дүрслэх шинжлэх ухааны хүчин чармайлт юм. Зорилго нь зүгээр л "цаг агаарыг урьдчилан таамаглах" биш, харин урт хугацааны уур амьсгалын зан төлөвийг ойлгох, хүний үйл ажиллагааны нөлөөллийг үнэлэх, хүлэмжийн хийн ялгаралт, газрын ашиглалт, галт уулын дэлбэрэлт, нарны хэлбэлзэл зэрэг байгалийн хүчин зүйлсийн өөрчлөлтөд үндэслэн ирээдүйн нөхцөл байдлыг судлах явдал юм. Уур амьсгал нь нарийн төвөгтэй систем тул уур амьсгалын загварчлал нь тэгшитгэлд суурилсан физик загвараас эхлээд статистик болон машин сургалтын арга барил хүртэл олон төрлийн нэмэлт тооцооллын техникт суурилдаг.
1. Физик тэгшитгэл дээр суурилсан загварууд (Динамик загварууд)
Уур амьсгалын загварчлалын хамгийн үндсэн арга бол мэдэгдэж буй физик хуулиудаас загвар бүтээдэг динамик загварчлал юм. Үндсэндээ агаар мандал болон далайн динамикийг Навье-Стокс тэгшитгэл (шингэний хувьд), термодинамикийн тэгшитгэл (энерги), массын хадгалалт (тасралтгүй байдал), усны уурын тээвэрлэлт эсвэл давсжилтын тэгшитгэл гэх мэт хэсэгчилсэн дифференциал тэгшитгэлээр тодорхойлдог. Эдгээр тэгшитгэлүүд нь гаригийн хэмжээнд энгийн аналитик шийдэлгүй тул цаг хугацааны явцад тоон интеграцчилал хийхэд компьютер ашигладаг.
Уур амьсгалын динамикийн загваруудыг ихэвчлэн хэд хэдэн бүрэлдэхүүн хэсэгт хуваадаг: агаар мандал, далай, хуурай газар, далайн мөс, заримдаа агаар мандлын химийн найрлага. Эдгээр бүрэлдэхүүн хэсгүүдийн хоорондын харилцан үйлчлэл нь энерги, чийг, импульс, нүүрстөрөгчийн урсгалын солилцоогоор холбогддог. Физик аргын давуу тал нь байгалийн үндсэн зарчмуудтай нийцдэг; сул тал нь тооцооллын өртөг, хэмжээ нь хэтэрхий бага процессуудын хялбаршуулалтад тулгуурладаг (жишээлбэл, конвектив үүл).
2. Торны дискретизаци ба орон зайн-цаг хугацааны нягтрал
Дэлхий тасралтгүй байдаг тул загварууд нь дискретчлэлийн техник шаарддаг: гадаргуу болон агаар мандал нь өргөрөг-уртраг болон босоо давхаргаар торон нүд (дөрвөлжин)-д хуваагддаг. Торны нягтрал (жишээ нь, 100 км, 25 км эсвэл илүү нарийн) нь дүрслэх боломжтой нарийн ширийн зүйлийг тодорхойлдог. Нарийвчлал нь илүү нарийн байх тусам орон нутгийн процессуудыг тодорхой "харуулж" болох боловч тооцооллын шаардлага эрс нэмэгддэг.
Уламжлалт өргөрөг-уртрагийн сүлжээнээс гадна зарим загварууд нь туйлуудын ойролцоох тоон асуудлуудыг багасгахын тулд куб-бөмбөрцөг сүлжээ эсвэл төгсгөлөг элементийн аргуудыг ашигладаг. Цаг хугацааны алхамыг сонгох нь бас чухал юм: хэт том цаг хугацааны алхам нь загварыг тогтворгүй болгож болох бол хэт бага алхам нь симуляцийг удаашруулдаг. Тиймээс хагас далд эсвэл хуваагдмал-ил тод гэх мэт тодорхой тоон схемүүдийг үр ашигтай хэвээр байхын зэрэгцээ тогтвортой байдлыг хадгалахын тулд ашигладаг.
3. Дэд сүлжээний процессуудын параметрчилэл
Үүл үүсэх, хилийн давхаргын турбулент байдал, конвектив хур тунадас, эсвэл аэрозоль-үүлний харилцан үйлчлэл гэх мэт олон чухал процессууд нь торны эсүүдээс жижиг хэмжээнд явагддаг. Тэдгээрийг дэлхийн нийтлэг нарийвчлалтайгаар тодорхой дуурайж болохгүй тул тэдгээрийг параметрчилэлээр төлөөлдөг: торны хэмжээний нөхцөл байдлыг жижиг процессуудын дундаж нөлөөтэй холбодог эмпирик эсвэл хагас эмпирик дүрмүүд.
Параметрчлэл нь уур амьсгалын төсөөлөлд, ялангуяа үүлний талаарх тодорхойгүй байдлын хамгийн том эх үүсвэрүүдийн нэг бөгөөд энэ нь Дэлхийн тусгал (альбедо) болон цацрагийн хариу урвалд нөлөөлдөг. Орчин үеийн параметрчлэлийн техникүүдэд стохастик параметрчлэлийн аргууд багтдаг бөгөөд эдгээр нь сүлжээгээр шийдэгдээгүй жижиг хэлбэлзлийг илэрхийлэх магадлалын элементүүдийг агуулдаг.
4. Ерөнхий эргэлтийн загварууд ба Дэлхийн системийн загварууд (GCM & ESM)
Дэлхийн хамгийн алдартай цаг уурын загварууд нь Ерөнхий эргэлтийн загварууд (GCM) бөгөөд эдгээр нь гаригийн хэмжээнд агаар мандлын болон/эсвэл далайн эргэлтийг дуурайдаг. Илүү цогц загваруудыг Дэлхийн системийн загварууд (ESM) гэж нэрлэдэг бөгөөд эдгээр нь нүүрстөрөгч ба азотын мөчлөг, ургамлын динамик зэрэг биогеохимийн мөчлөгийг нэмдэг. ESM-ийн тусламжтайгаар судлаачид зөвхөн температурын ялгаралтад үзүүлэх хариу үйлдлийг төдийгүй цаг уурын өөрчлөлт нь экосистемийн нүүрстөрөгчийг шингээх чадварт хэрхэн нөлөөлж, улмаар цаг уур-нүүрстөрөгчийн хариу үйлдлийг бий болгож чадна.
Хэрэглээний түвшинд энэ загварыг "хувилбарууд"-тай туршилт хийхэд ашигладаг: жишээлбэл, ялгарал үргэлжлэн өсөх, тогтвортой байх эсвэл хурдан буурах тохиолдолд уур амьсгал хэрхэн өөрчлөгдөх вэ. Үр дүн нь олон улсын шинжлэх ухааны судалгааны үндэс суурь болж, уур амьсгалын бодлогыг бүрдүүлдэг.
5. Бууруулах: дэлхийн хэмжээнээс бүс нутгийн хэмжээ рүү
Хэрэглэгчийн хэрэгцээ нь ихэвчлэн орон нутгийн шинж чанартай байдаг: хотын хур тунадасны нөлөөлөл, хөдөө аж ахуйн бүс нутгийн хэт температур, эсвэл голын сав газрын үерийн эрсдэл. Дэлхийн загварууд нь орон нутгийн дэлгэрэнгүй мэдээлэлд хэтэрхий бүдүүн байдаг тул багасгах аргыг ашигладаг.
Хоёр үндсэн арга байдаг. Нэгдүгээрт, дэлхийн загварын хязгаарлалттайгаар тодорхой бүс нутагт өндөр нарийвчлалтай загварыг ажиллуулдаг Бүс нутгийн цаг уурын загвар (RCM)-тай динамик бууралт. Хоёрдугаарт, томоохон хэмжээний хувьсагч (жишээлбэл, агаар мандлын эргэлт) болон орон нутгийн хувьсагч (станцын хур тунадас) хоорондын статистикийн хамаарлыг тогтоодог статистикийн бууралт. Статистикийн бууралт нь хямд боловч өнгөрсөн статистикийн хамаарал ирээдүйд хадгалагдана гэсэн таамаглалд тулгуурладаг.
6. Загварын сэргээн босголт болон тууштай байдлын хувьд өгөгдлийг нэгтгэх
Өгөгдөл нэгтгэх нь цаг агаарын урьдчилсан мэдээнд хамгийн сайн мэдэгдэж байгаа ч энэ арга нь уур амьсгалын загварчлалд, ялангуяа түүхэн цаг уурын нөхцөл байдлыг дахин шинжлэх, сэргээн босгоход чухал ач холбогдолтой юм. Өгөгдөл нэгтгэх нь агаар мандал болон далайн төлөв байдлын физик тогтвортой тооцооллыг гаргахын тулд ажиглалт (хиймэл дагуул, станц, хөлөг онгоц, хөвүүр)-ийг загварын урьдчилсан мэдээтэй хослуулдаг.
Алдартай аргуудад Калманы шүүлтүүр (болон түүний уламжлалууд, тухайлбал Энцеплийн Калманы шүүлтүүр) болон хувьсах аргууд (3D-Var/4D-Var) орно. Цаг уурын нөхцөлд нэгтгэх нь тархай бутархай болон бүрэн бус өгөгдлийг нэгтгэхэд тусалдаг бөгөөд загваруудыг үнэлэх, урт хугацааны чиг хандлагыг ойлгоход хэрэгтэй түүхэн бүтээгдэхүүнийг өгдөг.
7. Тодорхойгүй байдал ба магадлалын цогц загварчлал
Уур амьсгал нь эмх замбараагүй тул симуляцийн үр дүн нь анхны нөхцөл байдал болон параметрийн сонголтуудад мэдрэмтгий байдаг. Үүнийг хэрэгжүүлэхийн тулд хамтлаг загварчлалыг ашигладаг: янз бүрийн анхны нөхцөл байдал, хувилбар эсвэл параметрүүдтэй загварыг олон удаа ажиллуулж, олон боломжит хувилбаруудыг бий болгодог. Хамтлагууд нь судлаачдад зөвхөн ганц үр дүнгийн чиглэлийг бус харин үйл явдлын магадлалыг (жишээлбэл, хэт халуун долгионы магадлал хоёр дахин нэмэгдэх) үнэлэх боломжийг олгодог.
Ансамбль нь мөн өөр өөр агентлагуудын олон загварыг нэгтгэдэг олон загварын ансамблийг дэмждэг. Загваруудын харьцуулалт нь бат бөх (тогтвортой) болон тодорхойгүй шинж чанаруудыг тодорхойлоход хэрэгтэй байдаг.
8. Загварын үнэлгээ ба гүйцэтгэлийн хэмжилт (загварын баталгаажуулалт)
Загварчлалын техникүүд нь симуляци хийхээр зогсдоггүй; загварын үнэлгээ нь мөн адил чухал юм. Загваруудыг түүхэн ажиглалт, дахин шинжилгээ, палеоцаг уурын бүртгэлүүдтэй (жишээлбэл, мөсөн цөм эсвэл тунадас) харьцуулж, температур, хур тунадас, муссоны эргэлт, Эль-Ниньо-Ла-Ниньо болон дэлхийн дулаарлын чиг хандлагын хэв маягийг хуулбарлах чадварыг нь баталгаажуулдаг. Үнэлгээний аргуудад статистикийн үзүүлэлтүүд (хэвийлт, RMSE, корреляци), экстремум шинжилгээ, эрчим хүч, усны хэмнэлтийн үнэлгээ орно.
Орчин үеийн үнэлгээ нь үйл явцад суурилсан үнэлгээг онцолдог: зөвхөн тоонуудыг тохируулахаас гадна загвар нь зөв физик процессуудыг, жишээлбэл, халуун орны бүс нутагт үүл үүсэх механизм эсвэл далайн томоохон урсгалын динамикийг хуулбарлаж байгаа эсэхийг үнэлэх.
9. Машин сургалт ба эрлийз загварууд
Сүүлийн жилүүдэд машин сургалт (ML) нь нэмэлт арга техник болж байна. ML-ийг үнэтэй бүрэлдэхүүн хэсгүүдийг хурдасгах (орлуулагч загварчлал), алдааг засах (хазайлтыг засах), эсвэл маш өндөр нягтралтай симуляци болон ажиглалтын өгөгдлөөс сурсан үүл болон турбулент байдлын параметрчиллийг бий болгоход ашигладаг.
Ирээдүйтэй арга бол эрлийз загвар юм: физик цөмийг (хамгаалалтын хуультай нийцтэй байдлыг хадгалахын тулд) дэд сүлжээний процессуудад зориулсан ML модультай хослуулах. Гол бэрхшээлүүд нь сургалтын өгөгдлийн хүрээнээс давсан ерөнхийлөлт, тайлбарлах чадвар, ML-ийг урт хугацааны уур амьсгалын загварт нэгтгэх үед тоон тогтвортой байдлыг хангах явдал юм.
10. Өндөр хүчин чадалтай тооцоолол ба эрчим хүчний хэмнэлт
Орчин үеийн цаг уурын загварчлал нь мянгаас сая сая тооцоолох цөмтэй супер компьютерууд дээр ажилладаг. Параллелизацийн техник, код оновчлол, өгөгдөл оруулах-гаралтын менежмент нь гол түлхүүр юм. Өндөр нягтралтай, том хэмжээний багцууд нь петабайт өгөгдөл үүсгэдэг тул өгөгдөл удирдах, шахах, in-situ analytics (симуляци ажиллаж байх үед өгөгдлийг боловсруулах) нь улам бүр чухал болж байна.
GPU болон шинэ тооцооллын архитектурын гарч ирэлт нь загваруудыг илүү үр ашигтай болгохын тулд дахин боловсруулалт хийхэд хүргэсэн. Үүний зэрэгцээ, уур амьсгалын нийгэмлэг нь тооцооллын нүүрстөрөгчийн ул мөрийг авч үзэж эхэлж байгаа нь үр ашгийг зөвхөн цаг хугацааны асуудал төдийгүй эрчим хүчний хэрэглээний асуудал болгож байна.
Хаах
Тооцооллын цаг уурын загварчлалын техникүүд нь физик, тоон математик, статистик, өгөгдлийн шинжлэх ухаан, өндөр хүчин чадалтай тооцооллыг хослуулдаг. Тэгшитгэлд суурилсан динамик загварууд, сүлжээний дискретчилэл, дэд сүлжээний параметрчилэлээс эхлээд ансамбль, масштабыг бууруулах, өгөгдлийг нэгтгэх, машин сургалтын интеграци хүртэл бүгд цаг уурын нарийн төвөгтэй системийг ойлгож, найдвартай мэдээлэл өгөх зорилготой. Ажиглалт, онол, тооцооллын чадавхи сайжрахын хэрээр цаг уурын загварчлал нь цаг уур хэрхэн өөрчлөгдөж байгаа, хэр хурдан өөрчлөгдөж байгаа, ирээдүйд бууруулах, дасан зохицоход ямар стратеги хамгийн үр дүнтэй байх зэрэг тулгамдсан асуултуудад хариулах боломжтой болно.
