Dyb læringssystem kan nøjagtigt forudsige ekstremt vejr

Ingeniører på Rice University har udviklet et dyb læringssystem, der kan forudsige ekstremt vejr med op til fem dages varsel. Systemet, som har lært sig selv, kræver kun minimal information om nuværende vejrforhold for at kunne give 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 har ført til ekstremt vejr, såsom varmebølger og vinterstorme. Efter at have gennemført træningen kunne det dybe læringssystem give fem-dages forudsigelser for ekstremt vejr baseret på kort, det ikke tidligere havde set, med en nøjagtighed på 85%.

Ifølge Pedram Hassanzadeh, medforfatter til studiet, der er publiceret 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 vejrudsigtere. Det vil være særlig nyttigt til at lære mere om visse atmosfæriske forhold, der fører til ekstremt vejr. 

Takket være opfindelsen af computerbaseret numerisk vejrudsigt (NWP) i 1950’erne er dag-til-dag vejrudsigt blevet bedre. Men NWP kan ikke give pålidelige forudsigelser for ekstremt vejr, såsom varmebølger. 

“Det kan være, at vi har brug for hurtigere supercomputere for at løse de styrende ligninger i de numeriske vejrudsigtmodeller i højere opløsning,” sagde Hassanzadeh, der er adjunkt i mekanisk ingeniørvidenskab og jord-, miljø- og planetvidenskab på Rice University. “Men fordi vi ikke fuldt ud forstår fysikken og de forudgående betingelser for vejrmønstre, der fører til ekstremt vejr, er det også muligt, at ligningerne ikke er fuldt nøjagtige, og de vil ikke give 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 gik de i gang med en anden vej. 

“Når du får disse varmebølger eller kuldebølger, og du ser på vejrkortet, ser du ofte noget underligt i jetstrømmen, abnorme ting som store bølger eller et stort højtryk, der ikke bevæger sig overhovedet,” sagde Hassanzadeh. “Det så ud, som om det var et mønstergenkendelsesproblem. Så vi besluttede at omformulere vejrupredigering 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 varmebølge 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 anvendt, blev analog vejrupredigelse brugt til vejrupredigelse. 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 se på trykmønsteret i dag og derefter gå til en katalog over tidligere mønstre og sammenligne og prøve 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 afhænge af mennesker for at finde forbindelser. 

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

For at teste deres koncept afhængte holdet af 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 forhold, men kapselneurale netværk kan. Disse relative rumlige forhold er vigtige, når det kommer til udviklingen af vejrmønstre. 

“De relative positioner af trykmønstre, de høje og lave tryk, du 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 for at gøre det i stand til at blive brugt i operationel vejrupredigelse, men Hassanzadeh håber, at det til sidst vil føre til mere nøjagtige forudsigelser for ekstremt vejr. 

“Vi foreslår ikke, at dette til sidst vil erstatte NWP,” sagde han. “Men dette kan være en nyttig vejledning for NWP. Beregningsmæssigt 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 forklarelige AI (kunstig intelligens) til at fortolke, hvad det neurale netværk gør,” sagde han. “Dette kan hjælpe os med at identificere forudgående betingelser for vejrmønstre, der fører til ekstremt vejr, og forbedre vores forståelse af deres fysik.”