Sistemul de învățare profundă poate prezice cu acuratețe vremea extremă

Inginerii de la Universitatea Rice au dezvoltat un sistem de învățare profundă care poate prezice cu acuratețe evenimentele meteo extreme cu până la cinci zile înainte. Sistemul, care s-a învățat singur, necesită doar informații minime despre condițiile meteo actuale pentru a face previziunile.             

O parte a procesului de instruire a sistemului implică examinarea a sute de perechi de hărți, iar fiecare hartă indică temperaturi de suprafață și presiuni ale aerului la o înălțime de cinci kilometri. Aceste condiții sunt prezentate cu câteva zile înainte. Instruirea prezintă, de asemenea, scenarii care au produs vreme extremă, cum ar fi perioade 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 pentru vremea extremă 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 Journal of Advances in Modeling Earth Systems al Uniunii Geofizice Americane, 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 vreme extremă. 

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

“Poate că avem nevoie de supercalculatoare mai rapide pentru a rezolva ecuațiile guvernate de modelele de predicție meteo numerică la rezoluții mai mari,” a spus Hassanzadeh, profesor asistent de inginerie mecanică și științe ale Pământului, mediului și planetare la Universitatea Rice. “Dar, deoarece nu înțelegem pe deplin fizica și condițiile care preced evenimentele meteo extreme, este posibil ca ecuațiile să nu fie pe deplin exacte și nu vor produce previziuni mai bune, indiferent de câtă putere de calcul o 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 apar valuri de căldură sau perioade de frig, dacă te uiți la harta meteo, vei vedea adesea 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. “Părea a fi o problemă de recunoaștere a modelelor. Așa că am decis să reformulăm previziunile meteo extreme ca o problemă de recunoaștere a modelelor, mai degrabă decât o problemă numerică.”

“Am decis să instruim modelul nostru arătându-i 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 sentiment al zonei regionale.”

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

“Un mod în care se făceau previziunile meteo înainte de calculatoare era să se uite la modelul sistemului de presiune de azi, apoi să meargă la un catalog de modele anterioare și să încerce să găsească un analog, un model foarte asemănător,” a spus Hassanzadeh. “Dacă acela a condus la ploaie peste Franța după trei zile, previziunea meteo ar fi 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 erau critice pentru vremea extremă și a folosit acestea pentru a găsi cel mai bun analog.”

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

“Pozițiile relative ale modelelor de presiune, ale celor ridicate și coborâte pe care le vezi pe hărțile meteo, sunt factorul cheie în determinarea modului în care evoluează vremea,” a spus Hassanzadeh.

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

Echipa va continua să lucreze la sistem pentru a putea fi utilizat în previziunile meteo operaționale, dar Hassanzadeh speră că, în cele din urmă, va duce la previziuni meteo 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 unele îndrumări, o avertizare timpurie, care să permită concentrarea resurselor NWP în special acolo unde este probabilă vremea extremă.”

“Vrem să utilizăm idei din inteligența artificială explicabilă pentru a interpreta ce face rețeaua neuronală,” a spus el. “Acest lucru ne-ar putea ajuta să identificăm precursorii modelelor meteo extreme și să îmbunătățim înțelegerea fizicii lor.”