華盛頓大學的戴爾杜蘭教授開發的新深度學習模型，結合了大氣和海洋數據，提高了天氣和氣候預測的準確性，並設定了新標準。該模型在NVIDIA GTC 2024會議上推出，以減少對傳統參數化的依賴，採用HEALPix網格提高空間精度，並透過高效的GPU訓練實現可靠的長期預測。結合即時衛星數據，模型提高了動態事件預測的準確性，這標誌著氣象領域的重大進步，有助於應對氣候變遷挑戰。更多資訊可在NVIDIA On-Demand觀看相關會議。
艾里斯·科爾曼十一月15, 2024 07:27
華盛頓大學的新深度學習模式透過整合大氣和海洋數據來提高天氣和氣候預測的準確性。
華盛頓大學大氣科學系教授戴爾杜蘭(Dale Durran) 開發的新型深度學習模式為氣象科學邁出了創新性的一步，為天氣和氣候預測的準確性設定了新標準。根據NVIDIA 技術部落格介紹，這項突破性模式有效結合了大氣和海洋數據，提高了預測精度。
革命性的技術和工具
該模型在NVIDIA GTC 2024 會議期間提出，利用先進技術最大限度地減少對傳統參數化的依賴，從而繞過了天氣預報中通常使用的許多近似值。一個顯著的特徵是採用了HEALPix 網格，這是一種源自天文學的網格，它透過準確地表示地球的球形形狀來提高空間精度，從而消除全球預測中的扭曲。
此模型利用NVIDIA A100 Tensor Core GPU，能夠以最小的漂移產生可靠的長期預測。它整合了使用NVIDIA Modulus 的機器學習模擬和透過NVIDIA Omniverse 的高保真視覺化，顯著提高了氣候預測的準確性和可解釋性。
該模型的主要特點
深度學習模型結合了多種先進方法來建立準確的長期地球系統模型：
大氣-海洋耦合：該技術結合了大氣和海洋過程，以穩定長期預報並提高可靠性。 無參數化建模：透過繞過傳統假設，該模型可以實現資料驅動且更準確的預測。 HEALPix 網格：此功能透過等面積表示提高全域建模的空間精度。 高效率的GPU訓練：此模型的CNN架構針對NVIDIA GPU進行了最佳化，以最少的運算資源實現高保真訓練。 即時衛星整合：結合衛星資料（例如傳出的長波輻射）可以提高動態事件的預測準確性。 產業影響與未來方向
這種深度學習模型的引入標誌著氣象領域的重大進步，有望提高長期天氣和氣候預報的準確性。隨著氣候變遷繼續在全球範圍內構成挑戰，這些進展對於幫助準備和應對策略至關重要。
對於有興趣探索有關該模型及其應用的更多資訊的人，可以在NVIDIA On-Demand 上觀看「利用深度學習地球系統模型進行次季節和季節預測」的會議。本次會議以及其他資源提供了行業專家的寶貴見解和技能。參與者可以透過加入NVIDIA 開發者計畫進一步增強他們的知識。
圖片來源：Shutterstock
資訊來源：由0x資訊編譯自BLOCKCHAINNEWS。版權所有，未經許可，不得轉載