Βαθιά Μάθηση Συστήματος Μπορεί να Προβλέψει Ακραία Καιρό με Ακρίβεια

Οι μηχανικοί στο Πανεπιστήμιο Ράις έχουν αναπτύξει ένα σύστημα βαθιάς μάθησης που είναι ικανό να προβλέψει ακραία καιρικά φαινόμενα μέχρι και πέντε ημέρες πριν. Το σύστημα, το οποίο taught自身, απαιτεί μόνο ελάχιστες πληροφορίες για τις τρέχουσες καιρικές συνθήκες για να κάνει τις προβλέψεις.             

Μέρος της εκπαίδευσης του συστήματος περιλαμβάνει την εξέταση εκατοντάδων ζευγών χαρτών, και κάθε χάρτης υποδεικνύει τις επιφανειακές θερμοκρασίες και τις ατμοσφαιρικές πιέσεις σε ύψος πέντε χιλιομέτρων. Αυτές οι συνθήκες εμφανίζονται几 ημέρες πριν. Η εκπαίδευση επίσης παρουσιάζει σενάρια που παρήγαγαν ακραία καιρό, όπως ζέστη και ψύχος που μπορούν να προκαλέσουν θερμικές κυμάτων και χειμερινές θύελλες. Μετά την ολοκλήρωση της εκπαίδευσης, το σύστημα βαθιάς μάθησης ήταν σε θέση να κάνει προβλέψεις πέντε ημερών για ακραία καιρό με βάση χάρτες που δεν είχε δει προηγουμένως, με ποσοστό ακρίβειας 85%.

Σύμφωνα με τον Pedram Hassanzadeh, συν-συγγραφέα της μελέτης που δημοσιεύθηκε online στο Αμερικανική Γεωφυσική Ένωση στο Περιοδικό Προόδων στη Μοντελοποίηση της Γης, το σύστημα μπορεί να χρησιμοποιηθεί ως εργαλείο και να λειτουργήσει ως προηγούμενη προειδοποίηση για τους καιρологούς. Θα είναι ιδιαίτερα χρήσιμο για να μάθουμε περισσότερα για bestimmtes ατμοσφαιρικές συνθήκες που προκαλούν ακραία καιρό. 

Λόγω της εφεύρεσης της υπολογιστής-βασισμένης αριθμητικής καιρικής πρόβλεψης (NWP) τη δεκαετία του 1950, οι ημερήσιες καιρικές προβλέψεις έχουν συνεχίσει να βελτιώνονται. Ωστόσο, η NWP δεν είναι σε θέση να κάνει αξιόπιστες προβλέψεις για ακραία καιρικά φαινόμενα, όπως ζέστη. 

“Μπορεί να χρειαζόμαστε ταχύτερους υπερυπολογιστές για να λύσουμε τις κυβερνώσες εξισώσεις των μοντέλων αριθμητικής καιρικής πρόβλεψης σε υψηλότερες αναλύσεις,” είπε ο Hassanzadeh, αναπληρωτής καθηγητής μηχανολογικής μηχανικής και επιστημών της Γης, περιβάλλοντος και πλανητικών επιστημών στο Πανεπιστήμιο Ράις. “Αλλά επειδή δεν κατανοούμε πλήρως τη φυσική και τις προϋποθέσεις των ακραίων καιρικών φαινομένων, είναι επίσης δυνατό ότι οι εξισώσεις δεν είναι πλήρως ακριβείς και δεν θα παράγουν καλύτερες προβλέψεις, ανεξάρτητα από το πόσο υπολογιστική δύναμη βάζουμε μέσα.”

Το 2017, ο Hassanzadeh συνεργάστηκε με τους συν-συγγραφείς και μεταπτυχιακούς φοιτητές Ashesh Chattopadhyay και Ebrahim Nabizadeh. Μαζί, ξεκίνησαν σε ένα διαφορετικό δρόμο. 

“Όταν παίρνετε αυτές τις ζέστες ή ψύχους, αν κοιτάξετε το καιρικό χάρτη, συχνά θα δείτε κάποια παράξενα συμπεριφορά στο ρεύμα αέρα, ανώμαλα πράγματα όπως μεγάλες κυμάτων ή ένα μεγάλο σύστημα υψηλής πίεσης που δεν κινείται καθόλου,” είπε ο Hassanzadeh. “Φαινόταν ότι αυτό ήταν ένα πρόβλημα αναγνώρισης προτύπων. Έτσι αποφασίσαμε να προσπαθήσουμε να ανασχηματίσουμε την πρόβλεψη ακραίου καιρού ως πρόβλημα αναγνώρισης προτύπων αντί για αριθμητικό πρόβλημα.”

“Αποφασίσαμε να εκπαιδεύσουμε το μοντέλο μας δείχνοντας του πολλά πρότυπα πιέσεων στην πέντε χιλιομέτρων πάνω από τη Γη, και λέγοντας του, για κάθε ένα, ‘Αυτό δεν προκάλεσε ακραία καιρό. Αυτό προκάλεσε μια ζέστη στην Καλιφόρνια. Αυτό δεν προκάλεσε τίποτα. Αυτό προκάλεσε μια ψύχους στη Βορειοανατολική Αμερική,'” συνέχισε ο Hassanzadeh. “Όχι κάτι συγκεκριμένο όπως το Χιούστον εναντίον του Ντάλας, αλλά περισσότερο ένα αίσθημα της περιφερειακής περιοχής.”

Πριν από τους υπολογιστές, η αναλογική πρόβλεψη χρησιμοποιούνταν για την πρόβλεψη του καιρού. Γινόταν με έναν πολύ παρόμοιο τρόπο με το νέο σύστημα, αλλά ήταν οι άνθρωποι αντί για υπολογιστές. 

“Ένας τρόπος που γινόταν η πρόβλεψη πριν από τους υπολογιστές είναι ότι θα κοιτάξουν το πρότυπο του συστήματος πιέσεων σήμερα, και μετά θα πάνε σε ένα κατάλογο προηγούμενων προτύπων και θα συγκρίνουν και θα προσπαθήσουν να βρουν ένα ανάλογο, ένα πολύ παρόμοιο πρότυπο,” είπε ο Hassanzadeh. “Αν αυτό οδηγούσε σε βροχή στη Γαλλία μετά από τρεις ημέρες, η πρόβλεψη θα ήταν για βροχή στη Γαλλία.”

Τώρα, τα νευρωνικά δίκτυα μπορούν να μάθουν μόνα τους και δεν χρειάζονται να βασίζονται στους ανθρώπους για να βρουν τις συνδέσεις. 

“Δεν είχε σημασία ότι δεν κατανοούμε πλήρως τις προϋποθέσεις因为 το νευρωνικό δίκτυο έμαθε να βρει αυτές τις συνδέσεις από μόνο του,” είπε ο Hassanzadeh. “Έμαθε ποια πρότυπα ήταν κρίσιμα για τον ακραία καιρό, και τα χρησιμοποίησε για να βρει το καλύτερο ανάλογο.”

Για να δοκιμάσουν την ιδέα τους, η ομάδα βασίστηκε σε δεδομένα που λήφθηκαν από ρεαλιστικές υπολογιστικές симуляσεις. Αρχικά, αναφέρθηκαν σε πρώιμα αποτελέσματα με ένα convolutional νευρωνικό δίκτυο, αλλά η ομάδα μετά μετακινήθηκε προς τα capsule νευρωνικά δίκτυα. Τα convolutional νευρωνικά δίκτυα δεν είναι σε θέση να αναγνωρίσουν σχετικές χωρικές σχέσεις, αλλά τα capsule νευρωνικά δίκτυα μπορούν. Αυτές οι σχετικές χωρικές σχέσεις είναι σημαντικές όταν πρόκειται για την εξέλιξη των καιρικών προτύπων. 

“Οι σχετικές θέσεις των προτύπων πιέσεων, τα υψηλά και τα χαμηλά που βλέπετε στα καιρικά χάρτες, είναι ο κρίσιμος παράγοντας για την καθορισμό του πώς εξελίσσεται ο καιρός,” είπε ο Hassanzadeh.

Τα capsule νευρωνικά δίκτυα επίσης απαιτούν λιγότερα δεδομένα εκπαίδευσης από τα convolutional νευρωνικά δίκτυα. 

Η ομάδα θα συνεχίσει να εργάζεται στο σύστημα για να το κάνει ικανό να χρησιμοποιηθεί στην επιχειρησιακή πρόβλεψη, αλλά ο Hassanzadeh ελπίζει ότι θα οδηγήσει σε πιο ακριβείς προβλέψεις για τον ακραία καιρό. 

“Δεν προτείνουμε ότι στο τέλος της ημέρας αυτό θα αντικαταστήσει την NWP,” είπε. “Αλλά αυτό μπορεί να είναι ένα χρήσιμο οδηγό για την NWP. Υπολογιστικά, αυτό μπορεί να είναι ένας πολύ φθηνός τρόπος για να παρέχει κάποια καθοδήγηση, μια προηγούμενη προειδοποίηση, που επιτρέπει να επικεντρωθεί η NWP στους πόρους NWP resources specifically where extreme weather is likely.’

“Θέλουμε να αξιοποιήσουμε ιδέες από την εξηγημένη AI (τεχνητή νοημοσύνη) για να ερμηνεύσουμε τι κάνει το νευρωνικό δίκτυο,” είπε. “Αυτό μπορεί να μας βοηθήσει να αναγνωρίσουμε τις προϋποθέσεις των ακραίων καιρικών προτύπων και να βελτιώσουμε την κατανόησή μας για τη φυσική τους.”