Dyb Læringssystem Kan Nøjagtigt Forudse Ekstrem Vejr

Ingeniører på Rice University har udviklet et dyb læringssystem, der kan nøjagtigt forudse ekstreme vejrforhold op til fem dage i forvejen. Systemet, som har lært sig selv, kræver kun minimal information om nuværende vejrforhold for at kunne lave forudsigelserne.             

En del af systemets træning består i at undersøge hundredvis af par af kort, og hvert kort viser overfladetemperaturer og lufttryk i en højde af fem kilometer. Disse forhold vises flere dage apart. Træningen omfatter også scenarier, der producerer ekstremt vejr, såsom varme- og kuldebølger, der kan forårsage hede- og vinterstorme. Efter afsluttet træning kunne det dybe læringssystem lave fem-dages forudsigelser af ekstremt vejr baseret på kort, det ikke tidligere havde set, med en nøjagtighed på 85%.

Ifølge Pedram Hassanzadeh, medforfatter til studiet, der er offentliggjort online i American Geophysical Union’s Journal of Advances in Modeling Earth Systems, kan systemet bruges som et værktøj og fungere som en tidlig advarsel for vejrforudsigerne. Det vil være særligt nyttigt til at lære mere om visse atmosfæriske forhold, der forårsager ekstreme vejrscenarier. 

Takket være opfindelsen af computerbaseret numerisk vejrforudsigelse (NWP) i 1950’erne er dag-til-dag vejrforudsigelser blevet bedre. Men NWP kan ikke lave pålidelige forudsigelser om ekstreme vejrforhold, såsom hede- og kuldebølger. 

“Det kan være, at vi har brug for hurtigere supercomputere til at løse de styrende ligninger i de numeriske vejrforudsigelsesmodeller i højere opløsninger,” sagde Hassanzadeh, en adjunkt i mekanisk ingeniørvidenskab og jord-, miljø- og planetvidenskab på Rice University. “Men fordi vi ikke fuldt ud forstår fysikken og forudsætningerne for ekstreme vejrforhold, er det også muligt, at ligningerne ikke er fuldt nøjagtige, og de vil ikke producere bedre forudsigelser, uanset hvor meget beregningskraft vi indsætter.”

I 2017 blev Hassanzadeh sammen med studiets medforfattere og ph.d.-studerende Ashesh Chattopadhyay og Ebrahim Nabizadeh. Sammen satte de sig for at følge en anden vej. 

“Når du får disse hede- eller kuldebølger, hvis du ser på vejrkortet, ser du ofte nogle underlige mønstre i jetstrømmen, abnorme ting som store bølger eller et stort højtryk, der ikke bevæger sig overhovedet,” sagde Hassanzadeh. “Det så ud, som om dette var et mønstergenkendelsesproblem. Så vi besluttede at forsøge at omformulere ekstremt vejrforudsigelse som et mønstergenkendelsesproblem i stedet for et numerisk problem.”

“Vi besluttede at træne vores model ved at vise den mange trykmønstre i de fem kilometer over jorden og fortælle den, for hvert enkelt, ‘Dette førte ikke til ekstremt vejr. Dette førte til en hede i Californien. Dette førte ikke til noget. Dette førte til en kuldebølge i Nordøst’,” fortsatte Hassanzadeh. “Ikke noget specifikt som Houston versus Dallas, men mere en fornemmelse af det regionale område.”

Før computere blev brugt, blev analog vejrforudsigelse brugt til vejrforudsigelse. Det blev gjort på en meget lignende måde som det nye system, men det var mennesker i stedet for computere. 

“En måde at forudsige vejret på før computere var, at man så på tryksystemmønsteret i dag og derefter gik til en katalog over tidligere mønstre og sammenlignede og forsøgte at finde en analog, et tæt lignende mønster,” sagde Hassanzadeh. “Hvis det mønster førte til regn over Frankrig efter tre dage, ville forudsigelsen være regn i Frankrig.”

Nu kan neurale netværk lære på egen hånd og har ikke nødvendigvis brug for at stole på mennesker til at finde forbindelser. 

“Det gjorde ikke noget, at vi ikke fuldt ud forstår forudsætningerne, fordi det neurale netværk lærte at finde disse forbindelser selv,” sagde Hassanzadeh. “Det lærte, hvilke mønstre der var kritiske for ekstremt vejr, og det brugte disse til at finde den bedste analog.”

For at teste deres koncept havde holdet brug for data fra realistiske computersimulationer. De rapporterede oprindeligt tidlige resultater med et convolutionelt neuralt netværk, men holdet skiftede derefter til kapselneurale netværk. Convolutionelle neurale netværk kan ikke genkende relative rumlige relationer, men kapselneurale netværk kan. Disse relative rumlige relationer er vigtige, når det kommer til udviklingen af vejrforhold. 

“De relative positioner af trykmønstre, de høje og lave, man ser på vejrkort, er den afgørende faktor for at bestemme, hvordan vejret udvikler sig,” sagde Hassanzadeh.

Kapselneurale netværk kræver også mindre træningsdata end convolutionelle neurale netværk. 

Holdet vil fortsætte med at arbejde på systemet, så det kan bruges i operationel vejrforudsigelse, men Hassanzadeh håber, at det til sidst vil føre til mere nøjagtige forudsigelser for ekstremt vejr. 

“Vi foreslår ikke, at dette på sigt vil erstatte NWP,” sagde han. “Men dette kan være et nyttigt værktøj for NWP. Komputationelt kan dette være en super billig måde at give nogen vejledning, en tidlig advarsel, der tillader dig at fokusere NWP-resourcer specifikt, hvor ekstremt vejr er sandsynligt.”

“Vi vil udnytte ideer fra forklarelig AI (kunstig intelligens) til at fortolke, hvad det neurale netværk gør,” sagde han. “Dette kan hjælpe os med at identificere forudsætningerne for ekstremt vejr og forbedre vores forståelse af deres fysik.”