Ученые обучили ИИ определять динамику городского острова тепла

Ученые обучили ИИ определять динамику городского острова тепла

Городской остров тепла — проблема, привлекающая все больше внимания. Этот термин обозначает превышение температуры в городе по отношению к пригороду. В крупных мегаполисах разность может превышать 10 градусов. Ученые МФТИ, Института океанологии РАН и НИВЦ МГУ обучили искусственный интеллект (ИИ) моделированию динамики разности температуры между Москвой и Подмосковьем, что позволило исследовать закономерности и причины изменения. Результаты показали, что тенденция усиления острова тепла, наблюдаемая за последние 50 лет, связана в первую очередь с ростом мегаполиса. При этом дополнительно эту тенденцию усиливает изменение регионального климата, который становится более благоприятным для их появления. Результат исследования был опубликован в журнале Climate. Исследование выполнено при поддержке Некоммерческого фонда развития науки и образования «Интеллект».

Повышение температуры в загруженных районах города увеличивает тепловой стресс для жителей, а также может приводить к усилению процессов конвекции (теплопередачи) и связанных с ними опасных погодных явлений, включая интенсивные осадки и грозы. Таким образом, точные данные об острове тепла важны для различных практических приложений: от прогнозирования погоды до управления городской окружающей средой и адаптации к изменению климата.

«Городские острова тепла весьма опасны в периоды летней жары, которые из-за глобального изменения климата стали наблюдаться и в Москве, например, в 2010 году. В то же время этот эффект до сих пор недостаточно детально учитывается в моделях прогноза погоды и климата. Это и привело нас к созданию концепции исследования. Мы использовали несколько моделей машинного обучения, чтобы на основе данных о среднем состоянии атмосферы в Московском регионе определять, какой будет остров тепла в центре столицы — какова будет разность между центром и областью. Наши статистические модели уже могут воспроизвести суточный (днем разность ослабевает) и сезонный ход острова тепла, а также зависимость от синоптических условий — в условиях антициклонов эффект усиливается, а при сильном ветре и дожде его практически нет», — рассказал об исследовании Михаил Варенцов, старший научный сотрудник лаборатории суперкомпьютерного моделирования природно-климатических процессов НИВЦ МГУ, победитель конкурса грантов для молодого ученого фонда «Интеллект».

Современные гидродинамические модели атмосферы в сочетании с параметризацией городской поверхности способны воспроизвести большинство метеорологических эффектов и регулярно используются в численном прогнозировании погоды для региональных оценок теплового стресса и уточнения сценариев изменения климата. Однако такие модели требуют больших вычислительных ресурсов и сложной программно-аппаратной инфраструктуры и обычно запускаются на суперкомпьютерах, что весьма энергозатратно.

Альтернативой для прогнозирования могут стать более простые в использовании статистические модели, но они не имеют явной физической основы и требуют перенастройки для каждого города. Новый этап развития статистического моделирования метеорологических переменных связан с быстрым распространением методов машинного обучения, которые набирают все большую популярность в науках о Земле. Машинное обучение уже нашло свое применение в городской метеорологии, в первую очередь в задачах детального картирования температуры. Однако гораздо меньше исследований сфокусировано на временной изменчивости городских аномалий температуры и других метеовеличин. Кроме того, вопросы сравнения различных моделей и выбора лучших из них остаются неизученными.

«Наше исследование направлено на более глубокое изучение возможностей и ограничений современных моделей машинного обучения в городской метеорологии. Это первый шаг к решению задачи повышения разрешения результатов моделирования атмосферы для городов. Глобальные модели прогноза погоды и климата имеют шаг сетки в первые десятки километров, что не позволяет учесть влияние городов. Чтобы исправить это, применяются региональные гидродинамические модели атмосферы, а это довольно долгий и затратный процесс. Мы продемонстрировали, что модели машинного обучения имеют большой потенциал для улучшения качества моделирования температуры в городах. В дальнейшем мы планируем научить их воспроизводить не только временную, но и пространственную изменчивость острова тепла, что позволит использовать их как альтернативу гидродинамическим моделям в ряде задач. Успех нашей работы во многом обусловлен продуктивной коллаборацией Физтеха, институтов РАН и МГУ», — рассказал о проекте Михаил Криницкий, старший научный сотрудник Института океанологии РАН, заведующий лабораторией машинного обучения в науках о Земле МФТИ.

В ходе работы группа ученых использовала долгосрочные метеорологические наблюдения московского региона и применила несколько статистических моделей машинного обучения, начиная от классической линейной регрессии и до разработанного в «Яндексе» алгоритма CatBoost, который показал лучшие результаты. Модели обучались на наборе данных за 21 год (2001–2021 гг.) и научились успешно воспроизводить суточные, синоптические и сезонные вариации острова тепла. Однако за более длительный период (1977–2023 гг.) модели не способны полностью воспроизвести наблюдаемую тенденцию увеличения разницы температур между Москвой и Подмосковьем, подтверждая, что эта тенденция в значительной степени (на 60–70%) обусловлена ​​ростом мегаполиса. 

«Распространение загрязнений в атмосфере в некотором смысле связано с эффектом городского острова тепла. Более детальный учет этого явления положительно скажется на точности моделирования качества воздуха. Кроме того, технология, которую мы пока тестируем только на тепловом загрязнении, может быть в дальнейшем эффективно использована для построения модели загрязнения воздуха различными вредными примесями и влияния других антропогенных факторов на климат», — заключил Михаил Варенцов.

Рисунок. Расположение фоновых метеостанций (синие точки) и городской метеостанции Балчуг (красная точка), использованных в исследовании (а). На фото (б) показана метеостанция Балчуг зимой, а на фрагменте спутникового снимка из Google Maps (в) красной точкой показаны положение этой станции и ее окрестности
Нажмите для оценки!
[Всего: 1 В среднем: 1]

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *

тринадцать − 7 =