Głębokie systemy uczące się mogą dokładnie przewidywać ekstremalne zjawiska pogodowe

Inżynierowie z Rice University opracowali system głębokiego uczenia się, który jest w stanie dokładnie przewidywać ekstremalne zjawiska pogodowe do pięciu dni na przód. System, który nauczył się sam, wymaga tylko minimalnych informacji o bieżących warunkach pogodowych, aby dokonać przewidywań.             

Część szkolenia systemu polega na badaniu setek par map, a każda mapa wskazuje temperatury powierzchniowe i ciśnienie powietrza na wysokości pięciu kilometrów. Te warunki są pokazane kilka dni po sobie. Szkolenie obejmuje również scenariusze, które spowodowały ekstremalne zjawiska pogodowe, takie jak fale upałów i zimowe burze. Po zakończeniu szkolenia system głębokiego uczenia się był w stanie dokonać pięciodniowych prognoz ekstremalnych zjawisk pogodowych na podstawie map, których wcześniej nie widział, z dokładnością 85%.

Według Pedrama Hassanzadeha, współautora badania, które zostało opublikowane online w czasopiśmie American Geophysical Union’s Journal of Advances in Modeling Earth Systems, system może być wykorzystywany jako narzędzie i służyć jako wczesne ostrzeżenie dla prognozowania pogody. Będzie on szczególnie przydatny do poznania pewnych warunków atmosferycznych, które powodują ekstremalne zjawiska pogodowe. 

Dzięki wynalezieniu komputerowych modeli numerycznych do prognozowania pogody w latach 50., codzienne prognozy pogody stale się poprawiają. Jednak modele te nie są w stanie dokonywać wiarygodnych przewidywań dotyczących ekstremalnych zjawisk pogodowych, takich jak fale upałów. 

“Może to oznaczać, że potrzebujemy szybszych superkomputerów, aby rozwiązać rządzące równania modeli numerycznych na wyższych rozdzielczościach”, powiedział Hassanzadeh, asystent profesora inżynierii mechanicznej i nauk o Ziemi, środowisku i planetach na Rice University. “Ale ponieważ nie do końca rozumiemy fizykę i warunki wstępne ekstremalnych zjawisk pogodowych, jest również możliwe, że równania nie są w pełni dokładne i nie dadzą lepszych prognoz, niezależnie od ilości mocy obliczeniowej, którą włożymy w nie.”

W 2017 roku Hassanzadeh dołączyli do niego współautorzy badania i studenci, Ashesh Chattopadhyay i Ebrahim Nabizadeh. Razem wyruszyli na inną drogę. 

“Kiedy występują fale upałów lub zimowe burze, często widzimy na mapie pogody dziwne zachowania strumienia jet, nieprawidłowe rzeczy, takie jak duże fale lub duży układ wysokiego ciśnienia, który w ogóle się nie porusza”, powiedział Hassanzadeh. “Wyglądało to na problem rozpoznawania wzorców. Postanowiliśmy więc spróbować sformułować prognozowanie ekstremalnych zjawisk pogodowych jako problem rozpoznawania wzorców, a nie problem numeryczny.”

“Postanowiliśmy wyszkolić nasz model, pokazując mu wiele wzorców ciśnienia na pięciu kilometrach nad Ziemią i mówiąc mu, dla każdego z nich, ‘Ten nie spowodował ekstremalnych zjawisk pogodowych. Ten spowodował falę upałów w Kalifornii. Ten nie spowodował niczego. Ten spowodował zimową burzę na północy’, ” kontynuował Hassanzadeh. “Nie coś konkretnego, jak Houston czy Dallas, ale raczej rodzaj regionalnego obszaru.”

Przed komputerami wykorzystywano prognozowanie analogowe do przewidywania pogody. Robiono to w bardzo podobny sposób do nowego systemu, ale były to ludzie, a nie komputery. 

“Jednym ze sposobów, w jaki przewidywano pogodę przed komputerami, było spojrzenie na wzorzec układu ciśnienia dzisiaj, a następnie przejrzenie katalogu poprzednich wzorców i próba znalezienia analogii, ściśle podobnego wzorca”, powiedział Hassanzadeh. “Jeśli ten wzorzec prowadził do deszczu we Francji po trzech dniach, prognoza była taka, że będzie padał deszcz we Francji.”

Teraz sieci neuronowe mogą się uczyć same i nie muszą koniecznie polegać na ludziach, aby znaleźć połączenia. 

“Nie miało to znaczenia, że nie do końca rozumiemy warunków wstępnych, ponieważ sieć neuronowa nauczyła się sama znaleźć te połączenia”, powiedział Hassanzadeh. “Nauczyła się, które wzorce były kluczowe dla ekstremalnych zjawisk pogodowych i wykorzystała je, aby znaleźć najlepszą analogię.”

Aby przetestować swoją koncepcję, zespół oparł się na danych pobranych z realistycznych symulacji komputerowych. Początkowo zgłosili wczesne wyniki z wykorzystaniem sieci neuronowej konwolucyjnej, ale następnie zwrócili się ku sieciom neuronowym kapsułowym. Sieci neuronowe konwolucyjne nie są w stanie rozpoznać wzajemnych relacji przestrzennych, ale sieci neuronowe kapsułowe tak. Te relacje przestrzenne są ważne, gdy chodzi o rozwój zjawisk pogodowych. 

“Względne położenia wzorców ciśnienia, wysokie i niskie, które widzimy na mapach pogody, są kluczowym czynnikiem w określaniu, jak rozwija się pogoda”, powiedział Hassanzadeh.

Sieci neuronowe kapsułowe wymagają również mniej danych szkoleniowych niż sieci neuronowe konwolucyjne. 

Zespół będzie kontynuował pracę nad systemem, aby mógł być wykorzystywany w prognozowaniu operacyjnym, ale Hassanzadeh liczy, że ostatecznie doprowadzi to do bardziej dokładnych prognoz ekstremalnych zjawisk pogodowych. 

“Nie sugerujemy, że ostatecznie to zastąpi modele numeryczne”, powiedział. “Ale to może być przydatnym przewodnikiem dla modeli numerycznych. Komputacyjnie może to być bardzo tani sposób, aby dostarczyć pewne wskazówki, wczesne ostrzeżenie, które pozwoli nam skoncentrować zasoby modeli numerycznych specjalnie tam, gdzie prawdopodobne są ekstremalne zjawiska pogodowe.”

“Chcemy wykorzystać idee z sztucznej inteligencji, aby zinterpretować, co robi sieć neuronowa”, powiedział. “To może nam pomóc w identyfikacji warunków wstępnych ekstremalnych zjawisk pogodowych i poprawie naszego zrozumienia ich fizyki.”