Интеграция методов машинного обучения в Лагранжево-частичные модели атмосферного переноса
Боковая панель статьи
Основное содержимое статьи
Аннотация
Данная статья систематизирует способы интеграции методов машинного обучения в лагранжево-частичные модели атмосферного переноса (LPDM: FLEXPART, HYSPLIT, STILT, NAME), рассматривая ИИ как физически согласованную надстройку, а не замену базовой модели. Выделены четыре основные линии: (1) physics-informed суррогаты параметризаций (прежде всего для ПС/вертикальной диффузии и влажного удаления), (2) снижение дисперсии стохастических оценок и ускорение Монте-Карло (важностное семплирование, control variates), (3) пост-коррекция смещений и вероятностная калибровка ансамблей (EMOS/quantile mapping) с использованием корректных правил (CRPS, reliability), (4) массо-сохраняющее супер-разрешение выходных полей без пересчёта траекторий. Отдельно рассмотрены инверсные задачи на матрицах следов (байесовские, вариационные и ансамблевые подходы) и требования к наблюдательным сетям. Методологическая часть включает формализованную процедуру поиска литературы (2000–2025; WoS/Scopus/Scholar) и принципы воспроизводимости (фиксированный метеоввод, протоколы отчётности). Показано, что устойчивость эффектов ИИ определяется двумя дисциплинами: физическими инвариантами (масса, well-mixed, неотрицательность) и методической строгостью (метрики RMSE/корреляция/CSI-POFD/CRPS, reliability-диаграммы). Предложен «минимально достаточный» практический конвейер: фиксировать метеофон (ERA5/WRF или GDAS/GFS) и конфигурации LPDM; подключать массосохраняющие корректоры и вероятностную калибровку; использовать SR-модуль с контролем суммарной массы; при необходимости -PI-суррогаты для ночных режимов ПС и обязательную валидацию на реальных эпизодах.
Информация о статье
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Библиографические ссылки
Stein A.F., Draxler R.R., Rolph G.D., Stunder B.J.B., Cohen M., Ngan F. NOAA’s HYSPLIT Atmos-pheric Transport and Dispersion Modeling System. // Bull. Amer. Meteor. Soc. – 2015. – 96(12). – С. 2059–2077. DOI: 10.1175/BAMS-D-14-00110.1. URL: https://journals.ametsoc.org/view/journals/bams/96/12/bams-d-14-00110.1.xml.
Pisso I. et al. The Lagrangian particle dispersion model FLEXPART v10.4. // Geosci. Model Dev. – 2019. – 12. – С. 4955–4997. DOI: 10.5194/gmd-12-4955-2019. URL: https://gmd.copernicus.org/articles/12/4955/2019/.
Lin J.C. et al. STILT: Stochastic Time-Inverted Lagrangian Transport. // J. Geophys. Res. – 2003. – 108(D16):4493. DOI: 10.1029/2002JD003161. URL: https://projects.iq.harvard.edu/files/atmos/files/2002jd003161-2003.pdf.
Met Office. NAME dispersion model -overview. – URL: https://www.metoffice.gov.uk/research/weather/atmospheric-dispersion.
Hersbach H. et al. The ERA5 Global Reanalysis. // QJRMS – 2020. – 146. – С. 1999–2049. DOI: 10.1002/qj.3803. URL: https://rmets.onlinelibrary.wiley.com/doi/10.1002/qj.3803.
Skamarock W.C. et al. A Description of the Advanced Research WRF Model Version 4. – NCAR/TN-556+STR. – 2019. URL (PDF): https://opensky.ucar.edu/islandora/object/technotes%3A583/download.
Thomson D.J. Criteria for the selection of stochastic models of particle trajectories in turbulent flows. // J. Fluid Mech. – 1987. – 180. – С. 529–556. DOI: 10.1017/S0022112087001940.
Cassiani M., Stohl A., Brioude J. Lagrangian Stochastic Modeling for FLEXPART. // Boundary-Layer Meteorology – 2015. – 154. – С. 367–390. DOI: 10.1007/s10546-014-9976-5.
Hegarty J. et al. Evaluation of LPDM with CAPTEX/ANATEX. // J. Appl. Meteor. Climatol. – 2013. – 52(12). – С. 2623–2637. DOI: 10.1175/JAMC-D-13-0125.1.
Wesely M.L. Parameterization of surface resistances to gaseous dry deposition. // Atmos. Environ. – 1989. – 23(6). – С. 1293–1304.
Gneiting T., Raftery A.E. Strictly Proper Scoring Rules, Prediction, and Estimation. // JASA – 2007. – 102(477). – С. 359–378. DOI: 10.1198/016214506000001437.
Hersbach H. Decomposition of CRPS. // Weather and Forecasting – 2000. – 15(5). – С. 559–570.
Gneiting T. et al. EMOS. // Mon. Wea. Rev. – 2005. – 133(5). – С. 1098–1118. DOI: 10.1175/MWR2904.1.
Hamill T.M. Reliability Diagrams for Multicategory Probabilistic Forecasts. // Weather and Forecast-ing – 1997. – 12(4). – С. 736–741.
Wilks D.S. Statistical Methods in the Atmospheric Sciences (4th ed.). – Elsevier, 2019.
Bocquet M. et al. Data assimilation in atmospheric chemistry models. // Atmos. Chem. Phys. – 2015. – 15. – С. 5325–5358. DOI: 10.5194/acp-15-5325-2015.
Evensen G. The Ensemble Kalman Filter. // Ocean Dynamics – 2003. – 53. – С. 343–367. DOI: 10.1007/s10236-003-0036-9.
Thompson R.L., Stohl A. FLEXINVERT. // Geosci. Model Dev. – 2014. – 7. – С. 2223–2242. DOI: 10.5194/gmd-7-2223-2014.
Bergamaschi P. et al. FLEXVAR for CH₄. // Atmos. Chem. Phys. – 2022. – 22. – С. 13243–13271. DOI: 10.5194/acp-22-13243-2022.
Raissi M., Perdikaris P., Karniadakis G.E. Physics-Informed Neural Networks. // J. Comput. Phys. – 2019. – 378. – С. 686–707. DOI: 10.1016/j.jcp.2018.10.045.
Geiss A. et al. Downscaling atmospheric chemistry with deep learning. // GMD – 2022. – 15. – С. 6677–6698. DOI: 10.5194/gmd-15-6677-2022.
Geiss A. et al. Enforcing invertibility & conservation in CNN downscaling. // AI for the Earth Sys-tems – 2023. – 2(1). DOI: 10.1175/AIES-D-21-0012.1.
Honnert R. et al. The ABL and the “Gray Zone” of Turbulence: A Critical Review. // JGR-Atmospheres – 2020. – 125(13). – e2019JD030317. DOI: 10.1029/2019JD030317.
Wagenbrenner N.S. et al. WindNinja downscaling to complex terrain. // Atmos. Chem. Phys. – 2016. – 16. – С. 5229–5241. DOI: 10.5194/acp-16-5229-2016.
ОНД-86. Методика расчёта концентраций… – Л.: Гидрометеоиздат, 1987. URL: https://meganorm.ru/Index2/1/4294842/4294842100.htm.
Монин А.С., Яглом А.М. Статистическая гидромеханика. Механика турбулентности (тт. 1–2). – М.: Наука, 1965–1967. (репринт онлайн; дата обращения: 30.09.2025).
Всемирный банк. Управление качеством воздуха в Центральной Азии (рус.). – 2025. URL: https://documents1.worldbank.org/.
CAWater/ЮНЕП. Мониторинг осушенного дна Аральского моря (Аралкум) (рус.). – 2021. URL: https://www.unep.org/.