Sistem Pembelajaran Dalam yang Dapat Memprediksi Cuaca Ekstrem dengan Akurat

Insinyur di Universitas Rice telah mengembangkan sistem pembelajaran dalam yang dapat memprediksi peristiwa cuaca ekstrem hingga lima hari sebelumnya. Sistem ini, yang mengajar dirinya sendiri, hanya memerlukan informasi minimal tentang kondisi cuaca saat ini untuk membuat prediksi.             

Bagian dari pelatihan sistem ini melibatkan pemeriksaan ratusan pasang peta, dan setiap peta menunjukkan suhu permukaan dan tekanan udara pada ketinggian lima kilometer. Kondisi-kondisi tersebut ditampilkan beberapa hari terpisah. Pelatihan juga mempresentasikan skenario yang menghasilkan cuaca ekstrem, seperti gelombang panas dan badai musim dingin yang dapat menyebabkan gelombang panas dan badai musim dingin. Setelah menyelesaikan pelatihan, sistem pembelajaran dalam dapat membuat prakiraan cuaca ekstrem lima hari berdasarkan peta yang belum pernah dilihat sebelumnya, dengan tingkat akurasi 85%.

Menurut Pedram Hassanzadeh, co-penulis studi yang diterbitkan secara online di Jurnal Kemajuan Sistem Pemodelan Bumi dari American Geophysical Union, sistem ini dapat digunakan sebagai alat dan berfungsi sebagai peringatan dini bagi peramal cuaca. Ini akan sangat berguna untuk mempelajari lebih lanjut tentang kondisi atmosfer tertentu yang menyebabkan skenario cuaca ekstrem. 

Karena penemuan prediksi cuaca numerik berbasis komputer (NWP) pada 1950-an, prakiraan cuaca sehari-hari terus membaik. Namun, NWP tidak dapat membuat prediksi yang dapat diandalkan tentang peristiwa cuaca ekstrem, seperti gelombang panas. 

“Mungkin kita memerlukan superkomputer yang lebih cepat untuk menyelesaikan persamaan yang mengatur model prediksi cuaca numerik dengan resolusi yang lebih tinggi,” kata Hassanzadeh, asisten profesor teknik mesin dan ilmu bumi, lingkungan, dan ilmu planet di Universitas Rice. “Tapi karena kita tidak sepenuhnya memahami fisika dan kondisi pendahuluan pola cuaca yang menyebabkan cuaca ekstrem, maka juga mungkin bahwa persamaan tersebut tidak sepenuhnya akurat, dan mereka tidak akan menghasilkan prakiraan yang lebih baik, tidak peduli seberapa banyak daya komputasi yang kita masukkan.”

Pada 2017, Hassanzadeh bergabung dengan co-penulis studi dan mahasiswa pascasarjana Ashesh Chattopadhyay dan Ebrahim Nabizadeh. Bersama-sama, mereka memulai jalur yang berbeda. 

“Ketika Anda mendapatkan gelombang panas atau badai musim dingin, jika Anda melihat peta cuaca, Anda sering akan melihat perilaku aneh di jet stream, hal-hal abnormal seperti gelombang besar atau sistem tekanan tinggi yang tidak bergerak sama sekali,” kata Hassanzadeh. “Sepertinya ini adalah masalah pengenalan pola. Jadi kami memutuskan untuk mencoba mereformulasi prakiraan cuaca ekstrem sebagai masalah pengenalan pola daripada masalah numerik.”

“Kami memutuskan untuk melatih model kami dengan menunjukkan banyak pola tekanan di lima kilometer di atas Bumi, dan mengatakan kepadanya, untuk setiap satu, ‘Ini tidak menyebabkan cuaca ekstrem. Ini menyebabkan gelombang panas di California. Ini tidak menyebabkan apa-apa. Ini menyebabkan badai musim dingin di Timur Laut,'” Hassanzadeh melanjutkan. “Tidak ada yang spesifik seperti Houston versus Dallas, tapi lebih dari rasa area regional.”

Sebelum komputer, peramalan analog digunakan untuk prediksi cuaca. Ini dilakukan dengan cara yang sangat mirip dengan sistem baru, tetapi itu dilakukan oleh manusia, bukan komputer. 

“Cara prediksi dilakukan sebelum komputer adalah mereka akan melihat pola sistem tekanan hari ini, lalu pergi ke katalog pola sebelumnya dan mencoba menemukan analog, pola yang sangat mirip,” kata Hassanzadeh. “Jika itu menghasilkan hujan di Prancis setelah tiga hari, maka prakiraan akan untuk hujan di Prancis.”

Sekarang, jaringan saraf dapat belajar sendiri dan tidak perlu bergantung pada manusia untuk menemukan koneksi. 

“Tidak masalah bahwa kita tidak sepenuhnya memahami pendahuluan karena jaringan saraf belajar menemukan koneksi itu sendiri,” kata Hassanzadeh. “Itu belajar pola mana yang kritis untuk cuaca ekstrem, dan itu menggunakan pola tersebut untuk menemukan analog terbaik.”

Untuk menguji konsep mereka, tim tersebut bergantung pada data yang diambil dari simulasi komputer realistis. Mereka awalnya melaporkan hasil awal dengan jaringan saraf konvolusi, tetapi tim tersebut kemudian beralih ke jaringan saraf kapsul. Jaringan saraf konvolusi tidak dapat mengenali hubungan spasial relatif, tetapi jaringan saraf kapsul dapat. Hubungan spasial relatif ini sangat penting dalam evolusi pola cuaca. 

“Posisi relatif pola tekanan, tinggi dan rendah yang Anda lihat di peta cuaca, adalah faktor kunci dalam menentukan bagaimana cuaca berkembang,” kata Hassanzadeh.

Jaringan saraf kapsul juga memerlukan data pelatihan yang lebih sedikit daripada jaringan saraf konvolusi. 

Tim akan terus bekerja pada sistem ini agar dapat digunakan dalam peramalan operasional, tetapi Hassanzadeh berharap bahwa ini akhirnya akan mengarah pada prakiraan cuaca ekstrem yang lebih akurat. 

“Kami tidak mengusulkan bahwa pada akhirnya ini akan menggantikan NWP,” katanya. “Tapi ini mungkin menjadi panduan yang berguna untuk NWP. Dari segi komputasi, ini bisa menjadi cara yang sangat murah untuk memberikan beberapa panduan, peringatan dini, yang memungkinkan Anda untuk fokus sumber daya NWP secara khusus di mana cuaca ekstrem kemungkinan besar terjadi.”

“Kami ingin memanfaatkan ide dari kecerdasan buatan yang dapat dijelaskan untuk menafsirkan apa yang dilakukan jaringan saraf,” katanya. “Ini mungkin membantu kami mengidentifikasi pendahuluan cuaca ekstrem dan meningkatkan pemahaman kita tentang fisika mereka.”