Sistemul de învățare profundă poate prezice cu acuratețe vremea extremă

Inginerii de la Rice University au dezvoltat un sistem de învățare profundă care poate prezice cu acuratețe evenimentele meteorologice extreme cu până la cinci zile în avans. Sistemul, care s-a autodidact, necesită doar informații minime despre condițiile meteorologice actuale pentru a face previziunile.             

O parte a instruirii sistemului implică examinarea a sute de perechi de hărți, iar fiecare hartă indică temperaturile de la suprafață și presiunile aerului la o înălțime de cinci kilometri. Aceste condiții sunt prezentate la mai multe zile distanță. Instruirea prezintă, de asemenea, scenarii care au produs vreme extremă, cum ar fi perioadele de căldură și frig care pot cauza valuri de căldură și furtuni de iarnă. După finalizarea instruirii, sistemul de învățare profundă a putut face previziuni pe cinci zile ale vremii extreme pe baza hărților pe care nu le-a văzut anterior, cu o rată de acuratețe de 85%.

Conform lui Pedram Hassanzadeh, coautor al studiului, care a fost publicat online în revista American Geophysical Union, Journal of Advances in Modeling Earth Systems, sistemul poate fi utilizat ca un instrument și poate acționa ca o avertizare timpurie pentru meteorologi. Va fi deosebit de util pentru a învăța mai multe despre anumite condiții atmosferice care cauzează scenarii de vreme extremă. 

Din cauza invenției predicțiilor meteorologice numerice pe calculator (NWP) în anii 1950, previziunile meteorologice de zi cu zi au continuat să se îmbunătățească. Cu toate acestea, NWP nu poate face previziuni fiabile despre evenimentele meteorologice extreme, cum ar fi valurile de căldură. 

“Poate că avem nevoie de supercalculatoare mai rapide pentru a rezolva ecuațiile guvernante ale modelelor de predicție meteorologică numerică la rezoluții mai mari”, a spus Hassanzadeh, profesor asistent de inginerie mecanică și de științe ale Pământului, mediului și planetare la Rice University. “Dar pentru că nu înțelegem pe deplin fizica și condițiile precursoare ale modelelor de vreme care cauzează evenimente extreme, este posibil ca ecuațiile să nu fie pe deplin exacte și nu vor produce previziuni mai bune, indiferent de câtă putere de calcul punem în ele.”

În 2017, Hassanzadeh a fost alăturat de coautorii studiului și studenții absolvenți Ashesh Chattopadhyay și Ebrahim Nabizadeh. Împreună, au urmat o cale diferită. 

“Când obțineți aceste valuri de căldură sau perioade de frig, dacă priviți harta vremii, adesea veți vedea un comportament ciudat în jet stream, lucruri anormale, cum ar fi valuri mari sau un sistem de presiune ridicată care nu se mișcă deloc”, a spus Hassanzadeh. “A părut că aceasta este o problemă de recunoaștere a modelelor. Așadar, am decis să încercăm să reformulăm previziunile meteorologice extreme ca o problemă de recunoaștere a modelelor, și nu ca o problemă numerică.”

“Am decis să instruim modelul nostru prin arătarea lui a multe modele de presiune în cei cinci kilometri deasupra Pământului și spunându-i, pentru fiecare, ‘Acesta nu a cauzat vreme extremă. Acesta a cauzat o perioadă de căldură în California. Acesta nu a cauzat nimic. Acesta a cauzat o perioadă de frig în Nord-Est'”, a continuat Hassanzadeh. “Nu ceva specific, cum ar fi Houston versus Dallas, ci mai mult un sens al zonei regionale.”

Înainte de calculatoare, previziunile meteorologice analogice au fost utilizate pentru predicția vremii. A fost făcută într-un mod foarte asemănător cu noul sistem, dar a fost făcută de oameni, nu de calculatoare. 

“Un mod în care s-a făcut predicția înainte de calculatoare a fost să se privească modelul sistemului de presiune de azi, și apoi să se meargă la un catalog de modele anterioare și să se compare și să se încerce să se găsească un analog, un model foarte asemănător”, a spus Hassanzadeh. “Dacă acela a condus la ploaie în Franța după trei zile, atunci predicția a fost pentru ploaie în Franța.”

Acum, rețelele neuronale pot învăța singure și nu necesită neapărat să se bazeze pe oameni pentru a găsi legături. 

“Nu a contat că nu înțelegem pe deplin precursorii, deoarece rețeaua neuronală a învățat să găsească aceste legături singură”, a spus Hassanzadeh. “A învățat care modele au fost critice pentru vremea extremă și a folosit acestea pentru a găsi cel mai bun analog.”

Pentru a testa conceptul lor, echipa s-a bazat pe date luate din simulări realiste pe calculator. Ei au raportat inițial rezultatele timpurii cu o rețea neuronală convoluțională, dar apoi echipa s-a îndreptat spre rețele neurale capsule. Rețelele neurale convoluționale nu pot recunoaște relațiile spațiale relative, dar rețelele neurale capsule pot. Aceste relații spațiale relative sunt importante atunci când vine vorba de evoluția modelelor meteorologice. 

“Pozițiile relative ale modelelor de presiune, ale maximelor și minimelor pe care le vedem pe hărțile vremii, sunt factorul cheie în determinarea modului în care evoluează vremea”, a spus Hassanzadeh.

Rețelele neurale capsule necesită, de asemenea, mai puține date de instruire decât rețelele neurale convoluționale. 

Echipa va continua să lucreze la sistem pentru a putea fi utilizat în previziunile operaționale, dar Hassanzadeh speră că, în cele din urmă, va conduce la previziuni mai precise pentru vremea extremă. 

“Nu sugerez că, la sfârșitul zilei, acesta va înlocui NWP”, a spus el. “Dar acesta ar putea fi un ghid util pentru NWP. Din punct de vedere computațional, acesta ar putea fi un mod ieftin de a oferi un avertisment timpuriu, care să permită concentrarea resurselor NWP în mod specific în zonele în care este probabilă vremea extremă.”

“Vrem să valorificăm idei din inteligența artificială explicabilă pentru a interpreta ce face rețeaua neuronală”, a spus el. “Acesta ar putea ajuta la identificarea precursorilor modelelor de vreme care cauzează evenimente extreme și la îmbunătățirea înțelegerii fizicii acestora.”