Syväoppimisjärjestelmä voi ennustaa tarkasti ääri-ilmatilanteita

Rice Universityn insinöörit ovat kehittäneet syväoppimisjärjestelmän, joka pystyy ennustamaan tarkasti ääri-ilmatilanteita jopa viisi päivää etukäteen. Järjestelmä, joka on opettanut itsensä, tarvitsee vain vähän tietoa nykyisistä sääolosuhteista voidakseen tehdä ennusteita.             

Järjestelmän koulutusosuus sisältää satojen karttaparien tarkastelun, ja kunkin kartan osoittaa pinnan lämpötilat ja ilmanpaineet viiden kilometrin korkeudessa. Nämä olosuhteet näytetään useita päiviä erillään. Koulutus esittää myös skenaarioita, jotka ovat tuottaneet ääri-ilmatilanteita, kuten kuumia ja kylmiä jaksoja, jotka voivat aiheuttaa hellettä ja talvimyrskyjä. Koulutuksen päättymisen jälkeen syväoppimisjärjestelmä pystyi tekemään viiden päivän ennusteita ääri-ilmatilanteista karttojen perusteella, joita se ei ollut aikaisemmin nähnyt, 85 prosentin tarkkuudella.

Tutkimuksen yhteiskirjoittaja Pedram Hassanzadeh kertoo, että verkkoon julkaistussa tutkimuksessa, joka on julkaistu American Geophysical Unionin Journal of Advances in Modeling Earth Systems -julkaisussa, järjestelmä voidaan käyttää työkaluna ja toimia varhaisena varoituksena sääennustajille. Se on erityisen hyödyllinen oppimassa tiettyjä ilmakehän olosuhteita, jotka aiheuttavat ääri-ilmatilanteita. 

Tietokonepohjaisen numeerisen sääennustuksen (NWP) keksimisen jälkeen 1950-luvulla päivittäiset sääennusteet ovat jatkuvasti parantuneet. NWP ei kuitenkaan pysty tekemään luotettavia ennusteita ääri-ilmatilanteista, kuten hellettä. 

“On mahdollista, että tarvitsemme nopeampia supertietokoneita ratkaisemaan numeerisen sääennustuksen mallien hallitsevat yhtälöt korkeammalla resoluutiolla”, Hassanzadeh sanoo, joka on apulaisprofessori mekaniikan ja maan, ympäristön ja planeettatieteiden tiedekunnassa Rice Universityssa. “Mutta koska emme täysin ymmärrä ääri-ilmatilanteiden fysiikkaa ja edeltävien olosuhteiden, on myös mahdollista, että yhtälöt eivät ole täysin tarkat, eivätkä ne tuota parempia ennusteita, riippumatta siitä, kuinka paljon laskentakapasiteettia siihen panostetaan.”

Vuonna 2017 Hassanzadeh liittyi tutkimuksen yhteiskirjoittajiin ja jatko-opiskelijoihin Ashesh Chattopadhyayhin ja Ebrahim Nabizadehiin. Yhdessä he lähtivät toisenlaiselle tielle. 

“Kun saat nämä hellet tai kylmät jaksoa, jos katsot sääkarttaa, näet usein outoja käyttäytymisiä jet-virtauksessa, epänormaaleja asioita, kuten suuria aaltoja tai suuren matalapaineen, joka ei liiku ollenkaan”, Hassanzadeh sanoo. “Tuntui siltä, että tämä on mallintunnistusongelma. Päätimme yrittää uudelleenmuotoilla ääri-ilmasääennustusta mallintunnistusongelmana eikä numeerisena ongelmana.”

“Päätimme kouluttaa malliamme näyttämällä sille paljon painekarttoja maanpinnan yläpuolella viiden kilometrin korkeudessa, ja kertoimme sille, kullekin kartalle, ‘Tämä ei aiheuttanut ääri-ilmatilannetta. Tämä aiheutti hellettä Kaliforniassa. Tämä ei aiheuttanut mitään. Tämä aiheutti kylmän jakson Koillis-Yhdysvalloissa'”, Hassanzadeh jatkoi. “Ei mitään tarkkaa kuten Houston vs. Dallas, vaan enemmän alueellinen tunne.”

Ennen tietokoneita analoginen ennustaminen käytettiin sääennustamiseen. Se tehtiin hyvin samalla tavalla kuin uusi järjestelmä, mutta se tehtiin ihmisvoimin eikä tietokoneella. 

“Yksi tapa, jolla ennustaminen tehtiin ennen tietokoneita, oli, että he katsoivat painejärjestelmän kartan tänään, ja sitten menivät aiempien karttojen katalogiin ja yrittivät löytää analogian, hyvin samanlaisen kartan”, Hassanzadeh sanoo. “Jos se johti sateeseen Ranskassa kolmen päivän kuluttua, ennuste oli sade Ranskassa.”

Nyt neuroverkot voivat oppia itse ja eivät välttämättä tarvitse ihmisten apua löytääkseen yhteyksiä. 

“Se ei ollut väliä, ettemme täysin ymmärrä edeltäviä olosuhteita, koska neuroverkko oppi löytämään nämä yhteydet itse”, Hassanzadeh sanoo. “Se oppi, mitkä mallit olivat kriittisiä ääri-ilmatilanteille, ja se käytti niitä löytääkseen parhaan analogian.”

Tutkijaryhmä testasi konseptiaan käyttäen realistisia tietokonesimulaatioita. He ilmoittivat aluksi varhaisia tuloksia konvoluutio-neuroverkon kanssa, mutta ryhmä siirtyi sitten kapseli-neuroverkkoihin. Konvoluutio-neuroverkot eivät pysty tunnistamaan suhteellisia spatiaalisia suhteita, mutta kapseli-neuroverkot voivat. Nämä suhteelliset spatiaaliset suhteet ovat tärkeitä säämallien kehittymisen kannalta. 

“Suhdetilat painemallien, korkeapaineiden ja matalapaineiden, jotka näkyvät sääkartalla, ovat avainasemassa määrittämässä, miten sää kehittyy”, Hassanzadeh sanoo.

Kapseli-neuroverkot vaativat myös vähemmän koulutusdataa kuin konvoluutio-neuroverkot. 

Tutkijaryhmä jatkaa järjestelmän kehittämistä, jotta se voidaan ottaa käyttöön operatiivisessa ennustamisessa, mutta Hassanzadeh toivoo, että se lopulta johtaa tarkempiin ennusteisiin ääri-ilmatilanteista. 

“Emme ole ehdottamassa, että tämä korvaa NWP:n lopulta”, hän sanoo. “Mutta tämä voi olla hyödyllinen opas NWP:lle. Laskennallisesti tämä voi olla erittäin edullinen tapa antaa joitakin ohjeita, varhainen varoitus, joka mahdollistaa NWP-resurssien kohdentamisen niihin alueisiin, joilla ääri-ilmatilanne on todennäköisin.”

“Halumme hyödyntää selitettävän tekoälyn (AI) ideoita tulkitsemaan, mitä neuroverkko tekee”, hän sanoo. “Tämä voi auttaa meitä tunnistamaan ääri-ilmatilanteiden edeltävät olosuhteet ja parantamaan ymmärrystämme niiden fysiikasta.”