Systém hlubokého učení může přesně předpovídat extrémní počasí

Inženýři z Rice University vyvinuli systém hlubokého učení, který je schopen přesně předpovídat extrémní počasí až pět dní dopředu. Systém, který se naučil sám, vyžaduje pouze minimální informace o aktuellen povětrnostních podmínkách, aby mohl učinit předpovědi.             

Část školení systému zahrnuje zkoumání stovek párů map, a každá mapa ukazuje povrchové teploty a vzdušné tlaky ve výšce pět kilometrů. Tyto podmínky jsou zobrazeny několik dní od sebe. Školení také představuje scénáře, které vedly k extrémnímu počasí, jako jsou horké a studené období, které mohou způsobit vlny veder a zimní bouře. Po dokončení školení byl systém hlubokého učení schopen učinit pětidenní předpovědi extrémního počasí na základě map, které belum dříve viděl, s přesností 85%.

Podle Pedrama Hassanzadeha, spoluzakladatele studie, která byla publikována online v American Geophysical Union’s Journal of Advances in Modeling Earth Systems, systém by mohl být použit jako nástroj a sloužit jako rané varování pro předpovědi počasí. Bude zvláště užitečný pro získání více informací o určitých atmosférických podmínkách, které způsobují extrémní počasí. 

Vzhledem k vynálezu počítačové numerické předpovědi počasí (NWP) v 50. letech se denní předpovědi počasí neustále zlepšují. Nicméně NWP není schopna učinit spolehlivé předpovědi o extrémních povětrnostních událostech, jako jsou vlny veder. 

“Je možné, že potřebujeme rychlejší superpočítače, aby vyřešily vládnoucí rovnice numerických modelů počasí při vyšších rozlišeních,” řekl Hassanzadeh, asistent profesora mechanického inženýrství a věd o Zemi, životním prostředí a planetárních vědách na Rice University. “Ale protože plně nerozumíme fyzice a podmínkám, které způsobují extrémní počasí, je také možné, že rovnice nejsou plně přesné a nebudou produkovat lepší předpovědi, bez ohledu na to, kolik výpočetního výkonu do nich vložíme.”

V roce 2017 se Hassanzadeh připojil ke spoluautorům studie a doktorandům Asheshovi Chattopadhyayovi a Ebrahimovi Nabizadehovi. Společně se vydali na jinou cestu. 

“Když dostanete tyto vlny veder nebo studené období, často uvidíte na mapě počasí divné chování v proudění, neobvyklé věci, jako velké vlny nebo velký vysoký tlak, který se vůbec nehýbe,” řekl Hassanzadeh. “Zdálo se, že to je problém rozpoznávání vzorců. Rozhodli jsme se tedy reformulovat předpověď extrémního počasí jako problém rozpoznávání vzorců, spíše než numerický problém.”

“Rozhodli jsme se naučit náš model, aby ukázal spoustu tlaků v pět kilometrů nad Zemí a řekl mu, pro každou z nich, ‘Tento nevyvolal extrémní počasí. Tento vyvolal vlnu veder v Kalifornii. Tento nic nevyvolal. Tento vyvolal studené období na severovýchodě,'” pokračoval Hassanzadeh. “Nic specifického, jako Houston versus Dallas, ale spíše smysl pro regionální oblast.”

Před počítači se používala analogová předpověď pro předpověď počasí. Byla prováděna velmi podobným způsobem jako nový systém, ale místo počítačů to byli lidé. 

“Jedním ze způsobů, jak se předpověď počasí prováděla před počítači, bylo, že se podívali na tlak systému dnešní mapy a pak šli do katalogu předchozích map a porovnali a snažili se najít analogii, velmi podobný vzorec,” řekl Hassanzadeh. “Pokud ten vedl k dešti ve Francii po třech dnech, předpověď by byla deštivá ve Francii.”

Nyní mohou neuronové sítě samy učit a nemusí nutně spoléhat na lidi, aby našli souvislosti. 

“Nemuselo to být důležité, že plně nerozumíme předchůdcům, protože neuronová síť se naučila najít tyto souvislosti sama,” řekl Hassanzadeh. “Naučila se, které vzorce byly kritické pro extrémní počasí, a použila je k nalezení nejlepší analogie.”

Aby otestovali svou koncepci, tým se spoléhal na data z realistických počítačových simulací. Původně hlásili rané výsledky s konvoluční neuronovou sítí, ale pak se tým přesunul k používání kapsulových neuronových sítí. Konvoluční neuronové sítě nejsou schopny rozpoznat relativní prostorové vztahy, ale kapsulové neuronové sítě ano. Tyto relativní prostorové vztahy jsou důležité pro vývoj povětrnostních vzorců. 

“Relativní pozice tlaků, vysoké a nízké tlaky, které vidíte na mapách počasí, jsou klíčovým faktorem při určování, jak se počasí vyvíjí,” řekl Hassanzadeh.

Kapsulové neuronové sítě také vyžadují méně tréninkových dat než konvoluční neuronové sítě. 

Tým bude pokračovat v práci na systému, aby ho mohl použít v provozní předpovědi, ale Hassanzadeh doufá, že to nakonec povede k přesnějším předpovědím extrémního počasí. 

“Nenavrhuji, že by to nakonec mělo nahradit NWP,” řekl. “Ale tohle by mohlo být užitečným průvodcem pro NWP. Počítačově by to mohlo být velmi levný způsob, jak poskytnout some vedení, rané varování, které umožňuje soustředit zdroje NWP specificky tam, kde je pravděpodobné extrémní počasí.”

“Chceme využít nápady z vysvětlitelné umělé inteligence, aby vyložily, co neuronová síť dělá,” řekl. “To by mohlo pomoci nám identifikovat předchůdce extrémních povětrnostních vzorců a zlepšit naše porozumění jejich fyzice.”