Systém hlubokého učení může přesně předpovídat extrémní počasí

Inženýři na Rice University vyvinuli systém hlubokého učení, který je schopen přesně předpovídat extrémní povětrnostní události až pět dní dopředu. Systém, který se naučil sám, vyžaduje pouze minimální informace o současných 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 dříve neviděl, s přesností 85%.

Podle Pedrama Hassanzadeha, spolautor studie, která byla publikována online v American Geophysical Union’s Journal of Advances in Modeling Earth Systems, může být systém 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 povětrnostní scénáře. 

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

“Je možné, že potřebujeme rychlejší superpočítače, aby se vyřešily vládnoucí rovnice numerických modelů předpovědi počasí při vyšších rozlišeních,” řekl Hassanzadeh, asistent profesora mechanického inženýrství a Země, environmentálních a planetárních věd 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 Ashesh Chattopadhyay a Ebrahim Nabizadeh. Společně se vydali na jinou cestu. 

“Když dostanete tyto vlny veder nebo studené období, pokud se podíváte na mapu počasí, často uvidíte nějaké divné chování v proudění, neobvyklé věci, jako velké vlny nebo velký vysokotlakový systém, který se vůbec nehýbe,” řekl Hassanzadeh. “Zdálo se, že se jedná o problém rozpoznávání vzorců. Rozhodli jsme se tedy pokusit reformulovat předpověď extrémního počasí jako problém rozpoznávání vzorců, spíše než numerický problém.”

“Rozhodli jsme se naučit náš model tím, že mu ukážeme spoustu tlaků v pět kilometrů nad Zemí a řekneme mu, pro každou z nich, ‘Tato nevyvolala extrémní počasí. Tato vyvolala vlnu veder v Kalifornii. Tato nevyvolala nic. Tato vyvolala studené období na severovýchodě,'” pokračoval Hassanzadeh. “Nic specifického, jako Houston versus Dallas, ale více smyslu pro regionální oblast.”

Před počítači se pro předpověď počasí používalo analogové předpovědi. 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 dnes a pak šli do katalogu předchozích vzorců a porovnali a pokusili se najít analog, velmi podobný vzorec,” řekl Hassanzadeh. “Pokud ten vedl k dešti ve Francii po třech dnech, předpověď by byla deštivo ve Francii.”

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

“Nemělo význam, že plně nerozumíme předchůdcům, protože neuronová síť se naučila najít tato spojení sama,” řekl Hassanzadeh. “Naučila se, které vzorce byly kritické pro extrémní počasí, a použila je k nalezení nejlepšího analogu.”

Aby otestovali svou koncepci, tým se spoléhal na data získaná z realistických počítačových simulací. Původně oznámili rané výsledky s konvoluční neuronovou sítí, ale tým se poté přesunul k kapsulovým neuronovým sítím. 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, vysokých a nízkých tlaků, 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 mohl být použit v provozní předpovědi, ale Hassanzadeh doufá, že nakonec povede k přesnějším předpovědím extrémního počasí. 

“Nenavrhujeme, že nakonec nahradí 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 explainable AI (umělé inteligence), aby vyložili, co neuronová síť dělá,” řekl. “To by mohlo pomoci nám identifikovat předchůdce extrémních povětrnostních vzorců a zlepšit naše chápání jejich fyziky.”