Гүн сургалтын систем нь эрс тэс цаг агаарыг нарийн урьдчилан таамаглах боломжтой

Инженерүүд Райс их сургууль цаг агаарын эрс тэс үзэгдлүүдийг тав хоногийн өмнө урьдчилан таамаглах чадвартай гүнзгий сургалтын системийг боловсруулсан. Өөрийгөө сургасан систем нь урьдчилан таамаглахын тулд одоогийн цаг агаарын нөхцөл байдлын талаар хамгийн бага мэдээлэл шаарддаг.             

Системийн сургалтын нэг хэсэг нь олон зуун хос газрын зургийг судлах явдал бөгөөд газрын зураг бүр таван километрийн өндөрт гадаргуугийн температур, агаарын даралтыг заадаг. Эдгээр нөхцлийг хэд хоногийн зайтай харуулав. Сургалтаар мөн халуун, хүйтэнд халах, өвлийн шуурга үүсгэх зэрэг цаг агаарын эрс тэс уур амьсгалыг бий болгосон хувилбаруудыг танилцуулж байна. Сургалт дууссаны дараа гүн гүнзгий сургалтын систем нь урьд өмнө нь харж байгаагүй газрын зураг дээр үндэслэн 85% -ийн нарийвчлалтайгаар цаг агаарын эрс тэс уур амьсгалын таван өдрийн урьдчилсан мэдээг гаргах боломжтой болсон.

Судалгааны хамтран зохиогч Педрам Хасанзадегийн хэлснээр онлайн хэвлэгдсэн Америкийн геофизикийн холбоонд Дэлхийн системийг загварчлах дэвшлийн сэтгүүл, Уг системийг цаг уурчид урьдчилан сэрэмжлүүлэх хэрэгсэл болгон ашиглаж болох юм. Энэ нь цаг агаарын эрс тэс нөхцөл байдлыг үүсгэдэг зарим атмосферийн нөхцөл байдлын талаар илүү ихийг мэдэхэд онцгой ач холбогдолтой байх болно. 

1950-иад онд компьютерт суурилсан тоон цаг агаарын таамаглал (NWP) зохион бүтээгдсэний улмаас өдөр тутмын цаг агаарын урьдчилсан мэдээ сайжирсаар байна. Гэсэн хэдий ч NWP нь дулааны долгион гэх мэт цаг агаарын эрс тэс үзэгдлийн талаар найдвартай таамаглал гаргах боломжгүй юм. 

Райсын их сургуулийн механик инженерчлэл, дэлхий, байгаль орчин, гариг ​​судлалын тэнхимийн туслах профессор Хассанзаде "Бидэнд цаг агаарын таамаглалын тоон загваруудын удирдах тэгшитгэлийг илүү өндөр нарийвчлалтайгаар шийдвэрлэхийн тулд илүү хурдан суперкомпьютер хэрэгтэй байж магадгүй юм." "Гэхдээ бид цаг агаарын эрс тэс өөрчлөлтүүдийн физик болон урьдчилсан нөхцөлийг бүрэн ойлгодоггүй учраас тэгшитгэлүүд нь бүрэн үнэн зөв биш байж болох бөгөөд бид хичнээн их тооцоолох хүчин чадал зарцуулсан ч илүү сайн таамаглал гаргахгүй байх магадлалтай. in.”

2017 онд Хассанзадетай хамт судалгааны зохиогчид болон аспирант Ашеш Чаттопадхяй, Эбрахим Набизаде нар нэгдсэн. Тэд хамтдаа өөр замаар замналаа. 

"Эдгээр халуун эсвэл хүйтний давалгааг мэдрэх үед, хэрэв та цаг агаарын газрын зургийг харвал тийрэлтэт урсгалын зарим хачирхалтай үйлдэл, том давалгаа эсвэл хөдөлдөггүй том өндөр даралтын систем гэх мэт хэвийн бус зүйлсийг харах болно. бүгд" гэж Хасанзаде хэлэв. “Энэ бол хэв маягийг танихтай холбоотой асуудал юм шиг санагдлаа. Тиймээс бид цаг агаарын эрс тэс цаг агаарын урьдчилсан мэдээг тоон бодлого гэхээсээ илүү хэв маягийг таних асуудал болгон өөрчлөхөөр шийдсэн."

"Бид дэлхийгээс дээш таван километрийн өндөрт маш олон даралтын хэв маягийг үзүүлж, "Энэ нь цаг агаарын эрс тэс уур амьсгалыг үүсгээгүй" гэж хэлснээр загвараа сургахаар шийдсэн. Энэ нь Калифорнид халууны давалгаа үүсгэсэн. Энэ нь юу ч үүсгэсэнгүй. Энэ нь зүүн хойд зүгт хүйтэн жавар үүсгэсэн” гэж Хасанзаде үргэлжлүүлэв. "Далласын эсрэг Хьюстон гэх мэт тодорхой зүйл биш, харин бүс нутгийн талаар илүү их мэдрэмж төрж байна."

Компьютерээс өмнө аналоги прогнозыг цаг агаарын таамаглалд ашигладаг байсан. Энэ нь шинэ системтэй маш төстэй байдлаар хийгдсэн боловч компьютерийн оронд хүмүүс байсан. 

"Компьютерууд өнөөдөр даралтын системийн загварыг харж, дараа нь өмнөх загваруудын каталог руу орж, харьцуулж, ижил төстэй аналогийг олохыг оролдох явдал юм" гэж Хасанзаде хэлэв. "Хэрэв энэ нь гурав хоногийн дараа Францад бороо ороход хүргэсэн бол Францад бороо орох төлөвтэй байна."

Одоо мэдрэлийн сүлжээнүүд бие даан суралцах боломжтой бөгөөд холболтыг олохын тулд хүмүүст найдах шаардлагагүй. 

"Мэдрэлийн сүлжээ өөрөө эдгээр холболтыг олж сурсан учраас бид урьдал зүйлсийг бүрэн ойлгохгүй байх нь хамаагүй" гэж Хасанзаде хэлэв. "Энэ нь цаг агаарын эрс тэс уур амьсгалд ямар хэв маяг чухал болохыг олж мэдсэн бөгөөд хамгийн сайн аналогийг олоход эдгээрийг ашигласан."

Тэдний үзэл баримтлалыг шалгахын тулд баг нь бодит компьютерийн загварчлалаас авсан өгөгдөлд тулгуурласан. Тэд эхлээд эвдэрсэн мэдрэлийн сүлжээний үр дүнг мэдээлсэн боловч баг дараа нь капсул мэдрэлийн сүлжээ рүү шилжсэн. Хувиралт мэдрэлийн сүлжээ нь харьцангуй орон зайн харилцааг таних чадваргүй боловч капсул мэдрэлийн сүлжээ нь үүнийг таньж чаддаг. Эдгээр харьцангуй орон зайн харилцаа нь цаг агаарын төлөв байдлын хувьслын хувьд чухал юм. 

Хасанзаде хэлэхдээ "Даралтын хэв маягийн харьцангуй байрлал, цаг агаарын газрын зураг дээр харагдаж буй өндөр, доод түвшин нь цаг агаар хэрхэн өөрчлөгдөхийг тодорхойлох гол хүчин зүйл юм" гэж Хасанзаде хэлэв.

Капсул мэдрэлийн сүлжээ нь эргэлтийн мэдрэлийн сүлжээнээс бага сургалтын өгөгдөл шаарддаг. 

Үйл ажиллагааны таамаглалд ашиглах чадвартай байхын тулд багийнхан систем дээр үргэлжлүүлэн ажиллах боловч энэ нь эцэстээ цаг агаарын эрс тэс уур амьсгалыг илүү нарийвчлалтай таамаглахад хүргэнэ гэж Хассанзаде найдаж байна. 

"Эцсийн эцэст энэ нь NWP-ийг орлох болно гэж бид санал болгохгүй" гэж тэр хэлэв. "Гэхдээ энэ нь NWP-д хэрэгтэй гарын авлага байж магадгүй юм. Тооцооллын хувьд энэ нь цаг агаарын эрс тэс уур амьсгалтай газруудад NWP-ийн нөөцийг тусгайлан төвлөрүүлэх боломжийг олгодог зарим удирдамж, эрт сэрэмжлүүлэг өгөх маш хямд арга байж болох юм."

"Бид мэдрэлийн сүлжээ юу хийж байгааг тайлбарлахын тулд тайлбарлах боломжтой хиймэл оюун ухаан (хиймэл оюун ухаан)-ийн санааг ашиглахыг хүсч байна" гэж тэр хэлэв. "Энэ нь цаг агаарын эрс тэс уур амьсгалыг үүсгэгчийг тодорхойлж, тэдгээрийн физикийн талаарх бидний ойлголтыг сайжруулахад тусална."