Dyp læringsystem kan nøyaktig forutsi ekstremvær

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

En del av systemets trening innebærer å undersøke hundrevis av par med kart, og hvert kart indikerer overflatetemperaturer og lufttrykk på fem kilometers høyde. Disse forholdene vises flere dager aparte. Treningen presenterer også scenarier som produserte ekstremvær, som varme- og kalde perioder som kan forårsake hetebølger og vinterstormer. Etter å ha fullført treningen, kunne det dype læringsystemet 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 ekstremværscenarier. 

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 hetebølger. 

“Det kan hende at vi trenger raskere superdatamaskiner for å løse de styrende ligningene i numerisk 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 ekstremværsmønstre, 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 slått sammen med studiens medforfattere og doktorgradsstudenter Ashesh Chattopadhyay og Ebrahim Nabizadeh. Sammen satte de ut på en annen vei. 

“Når du får disse hetebølgene eller kalde periodene, hvis du ser på værkartet, vil du ofte se noen merkelige mønster i jetstrømmen, abnormaliteter som store bølger eller et stort høytrykksystem som ikke beveger seg i det hele tatt,” sa Hassanzadeh. “Det virket som om dette var et mønster-gjenkjennelsesproblem. Så vi bestemte oss for å omformulere ekstremværvarsel som et mønster-gjenkjennelsesproblem i stedet for et numerisk problem.”

“Vi bestemte oss for å trene vårt modell ved å vise det en rekke trykkmønster i de fem kilometer over jorden, og fortelle det, for hvert enkelt, ‘Dette førte ikke til ekstremvær. Dette førte til en hetebølge i California. Dette førte ikke til noe. Dette førte til en kalde periode i Nordøst,'” fortsatte Hassanzadeh. “Ikke noe spesifikt som Houston versus Dallas, men mer av en følelse av det regionale området.”

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

“En måte varsel ble gjort før datamaskinene var at de ville se på trykk-systemmønsteret i dag, og så gå til en katalog over tidligere mønster og sammenligne og prøve å finne en analog, et nært lignende 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 sin konsept, la teamet til data tatt fra realistiske datamaskinsimuleringer. De rapporterte opprinnelig tidlige resultater med et konvolusjonelt neuralt nettverk, men teamet skiftet deretter til kapselneurale nettverk. Konvolusjonelle neurale 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, høy- og lavtrykkene du ser på værkart, er den avgjørende faktoren for å bestemme hvordan været utvikler seg,” sa Hassanzadeh.

Kapselneurale nettverk trenger også mindre treningdata enn konvolusjonelle neurale nettverk. 

Teamet vil fortsette å arbeide med systemet for at det skal kunne 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 lang sikt vil erstatte NWP,” sa han. “Men dette kan være et nyttig verktøy for NWP. Kalkulatorisk sett kan dette være en super billig måte å gi noen retningslinjer, 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 ekstremværsmønster og forbedre vår forståelse av deres fysikk.”