Dyp læringsystem kan nøyaktig forutsi ekstremvær

Ingeniører ved Rice University har utviklet et dyp læringsystem som kan forutsi ekstremvær hendelser opptil fem dager i forveien. Systemet, som har lært seg selv, krever bare minimal informasjon om nåværende værforhold for å gjøre forutsigelsene.             

En del av systemets trening innebærer å undersøke hundrevis av par med kart, og hvert kart viser overflatetemperaturer og lufttrykk på fem kilometers høyde. Disse forholdene vises flere dager aparte. Treningen presenterer også scenarier som produserte ekstremvær, som varmebølger og kalde perioder som kan forårsake hete bølger og vinterstormer. Etter å ha fullført treningen, var det dyp læringsystemet i stand til å gjøre fem-dagers varsel for ekstremvær basert på kart det ikke tidligere hadde sett, med en nøyaktighetsrate på 85%.

Ifølge Pedram Hassanzadeh, medforfatter av studien som ble publisert online i American Geophysical Union’s Journal of Advances in Modeling Earth Systems, kan systemet brukes som et verktøy og fungere som en tidlig advarsel for værvarslere. Det vil være spesielt nyttig for å lære mer om bestemte atmosfæriske forhold som forårsaker ekstremvær. 

På grunn av oppfinnelsen av datamaskinbasert numerisk værvarsel (NWP) på 1950-tallet, har dag-til-dag værvarsel fortsatt å forbedre seg. Men NWP kan ikke gjøre pålitelige forutsigelser om ekstremvær hendelser, som varmebølger. 

“Det kan hende at vi trenger raskere superdatamaskiner for å løse de styrende ligningene i numeriske værvarselmodeller med høyere oppløsning,” sa Hassanzadeh, en assistentprofessor i maskinteknikk og jord-, miljø- og planetvitenskap ved Rice University. “Men fordi vi ikke fullstendig forstår fysikken og forutsetningene for ekstremvær, er det også mulig at ligningene ikke er fullstendig nøyaktige, og de vil ikke produsere bedre varsel, uansett hvor mye datamaskinkraft vi setter inn.”

I 2017 ble Hassanzadeh sammen med studieforfattere og doktorgradsstudenter Ashesh Chattopadhyay og Ebrahim Nabizadeh. Sammen satte de ut på en annen vei. 

“Når du får disse varmebølgene eller kalde periodene, hvis du ser på værkartet, vil du ofte se noen merkelige mønster i jetstrømmen, unormale ting som store bølger eller et stort høytrykksystem som ikke beveger seg i det hele tatt,” sa Hassanzadeh. “Det ser ut til å være et mønster-gjenkjenning problem. Så vi bestemte oss for å omformulere ekstremværvarsel som et mønster-gjenkjenning problem i stedet for et numerisk problem.”

“Vi bestemte oss for å trene vår modell ved å vise den mange trykkmønster i de fem kilometer over jorden, og fortelle den, for hver enkelt, ‘Dette førte ikke til ekstremvær. Dette førte til en varmebølge i California. Dette førte ikke til noe. Dette førte til en kald periode i Nordøst,'” fortsatte Hassanzadeh. “Ikke noe spesifikt som Houston mot Dallas, men mer en følelse av det regionale området.”

Før datamaskinene, ble analogt varsel brukt for værvarsel. Det ble gjort på en svært lik måte som det nye systemet, men det var mennesker i stedet for datamaskiner. 

“En måte varsel ble gjort før datamaskinene var at de så på trykk-systemmønsteret i dag, og så gikk til en katalog over tidligere mønster og sammenlignet og prøvde å finne en analog, et nært likt mønster,” sa Hassanzadeh. “Hvis det ene ledet til regn over Frankrike etter tre dager, ville varselet være for regn i Frankrike.”

Nå kan neurale nettverk lære på egen hånd og trenger ikke nødvendigvis å stole på mennesker for å finne sammenhenger. 

“Det betydde ikke at vi ikke fullstendig forstår forutsetningene, fordi det neurale nettverket lærte å finne disse sammenhengene selv,” sa Hassanzadeh. “Det lærte hvilke mønster som var kritiske for ekstremvær, og det brukte disse til å finne den beste analogen.”

For å teste deres konsept, la teamet til data tatt fra realistiske datamaskinsimuleringer. De rapporterte opprinnelig tidlige resultater med et konvolusjonsneuralt nettverk, men teamet skiftet så til kapselneurale nettverk. Konvolusjonsneurale nettverk kan ikke gjenkjenne relative romlige sammenhenger, men kapselneurale nettverk kan. Disse relative romlige sammenhengene er viktige når det gjelder utviklingen av værmønster. 

“De relative posisjonene til trykkmønster, høytrykk og lavtrykk du ser på værkart, er den avgjørende faktoren for å bestemme hvordan været utvikler seg,” sa Hassanzadeh.

Kapselneurale nettverk krever også mindre treningdata enn konvolusjonsneurale nettverk. 

Teamet vil fortsette å arbeide med systemet for å gjøre det i stand til å brukes i operasjonelt varsel, men Hassanzadeh håper at det til slutt vil føre til mer nøyaktige varsel for ekstremvær. 

“Vi foreslår ikke at dette på slutten av dagen vil erstatte NWP,” sa han. “Men dette kan være en nyttig veileder for NWP. Kalkulatorisk kan dette være en super billig måte å gi noen veiledning, en tidlig advarsel, som tillater deg å fokusere NWP-resursene spesifikt der ekstremvær er sannsynlig.”

“Vi ønsker å utnytte ideer fra forklarbar AI (kunstig intelligens) for å tolke hva det neurale nettverket gjør,” sa han. “Dette kan hjelpe oss med å identifisere forutsetningene for ekstremvær og forbedre vår forståelse av deres fysikk.”