Modelado de Transporte Atmosférico de CO₂ con Redes Neuronales

Describir con precisión la distribución de CO₂ en la atmósfera con modelos de transporte de trazadores atmosféricos es esencial para la monitorización de gases de efecto invernadero y sistemas de apoyo a la verificación que faciliten la implementación de acuerdos climáticos internacionales. Las grandes redes neuronales profundas están a punto de revolucionar la predicción del clima, lo que requiere un modelado 3D de la atmósfera. Aunque son similares en este aspecto, el modelado de transporte atmosférico enfrenta nuevos desafíos. Se deben lograr tanto predicciones estables para horizontes de tiempo más largos como la conservación de la masa en todo momento, mientras que la IO juega un papel más importante en comparación con los costos computacionales. En este estudio exploramos cuatro redes neuronales profundas diferentes (UNet, GraphCast, Spherical Fourier Neural Operator y SwinTransformer) que han demostrado ser de última generación en la predicción del clima para evaluar su utilidad en el modelado de transporte de trazadores atmosféricos. Para ello, ensamblamos el conjunto de datos CarbonBench, un benchmark sistemático diseñado para emuladores de transporte atmosférico euleriano en aprendizaje automático. A través de ajustes arquitectónicos, desacoplamos el rendimiento de nuestros emuladores del cambio de distribución causado por un aumento constante en el CO₂ atmosférico. Más específicamente, centramos los campos de entrada de CO₂ en una media de cero y luego usamos un esquema de flujo explícito y un corrector de masa para asegurar el equilibrio de masa. Este diseño permite un transporte estable y que conserve la masa durante más de 6 meses con las cuatro arquitecturas de redes neuronales. En nuestro estudio, el SwinTransformer muestra una habilidad de emulación particularmente fuerte (R² de 90 días > 0. 99), con emulaciones físicamente plausibles incluso para ejecuciones hacia adelante de varios años. Este trabajo allana el camino hacia el modelado hacia adelante e inverso de alta resolución de gases inertes con redes neuronales.