Глубокая система обучения может точно предсказывать экстремальную погоду

Инженеры в Университете Райса разработали глубокую систему обучения, которая может точно предсказывать экстремальные погодные явления за пять дней до их наступления. Система, которая обучила себя, требует минимальной информации о текущих погодных условиях, чтобы сделать прогнозы.

Часть обучения системы включает изучение сотен пар карт, и каждая карта показывает температуру поверхности и давление воздуха на высоте пять километров. Эти условия показаны через несколько дней. Обучение также включает сценарии, которые привели к экстремальным погодным явлениям, таким как жаркие и холодные периоды, которые могут вызвать жару и зимние бури. После завершения обучения глубокая система обучения смогла сделать прогнозы экстремальной погоды на пять дней на основе карт, которые она не видела ранее, с точностью 85%.

По словам Педрама Хассанзаде, соавтора исследования, которое было опубликовано онлайн в журнале American Geophysical Union’s Journal of Advances in Modeling Earth Systems, система может быть использована как инструмент и служить ранним предупреждением для прогнозистов погоды. Она будет особенно полезна для изучения определенных атмосферных условий, которые вызывают экстремальные погодные явления.

Благодаря изобретению компьютерных численных прогнозов погоды (NWP) в 1950-х годах, прогнозы погоды на каждый день продолжают улучшаться. Однако NWP не может делать надежные прогнозы об экстремальных погодных явлениях, таких как жаркие волны.

“Возможно, нам нужны более быстрые суперкомпьютеры, чтобы решить уравнения численных прогнозов погоды с более высоким разрешением”, – сказал Хассанзаде, помощник профессора механической инженерии и наук о Земле, окружающей среде и планетарных науках в Университете Райса. “Но поскольку мы не полностью понимаем физику и предшествующие условия экстремальных погодных явлений, возможно, что уравнения не полностью точны и не дадут лучших прогнозов, независимо от того, сколько вычислительной мощности мы в них вложим.”

В 2017 году Хассанзаде был присоединен к соавторам исследования и аспирантам Ашешу Чаттопадхьяю и Эбрахиму Набизаде. Вместе они пошли по другому пути.

“Когда вы получаете эти жаркие волны или холодные периоды, если вы посмотрите на карту погоды, вы часто увидите странное поведение в струйном потоке, аномальные вещи, такие как большие волны или большая высокая давление, которая не движется вообще”, – сказал Хассанзаде. “Казалось, что это проблема распознавания образов. Итак, мы решили попробовать переформулировать прогнозирование экстремальной погоды как проблему распознавания образов, а не численную проблему.”

“Мы решили обучить нашу модель, показав ей много карт давления на высоте пять километров над Землей, и сказав ей, для каждой из них, ‘Эта карта не привела к экстремальной погоде. Эта карта привела к жаркой волне в Калифорнии. Эта карта не привела к ничего. Эта карта привела к холодному периоду на северо-востоке'”, – продолжил Хассанзаде. “Не что-то конкретное, как Хьюстон против Далласа, а больше смысл региональной области.”

До компьютеров аналоговое прогнозирование использовалось для прогнозирования погоды. Оно делалось очень похожим образом на новую систему, но это были люди, а не компьютеры.

“Один из способов прогнозирования до компьютеров заключался в том, что они смотрели на карту давления сегодня, и затем шли к каталогу предыдущих карт и сравнивали и пытались найти аналог, близко подобную карту”, – сказал Хассанзаде. “Если эта карта привела к дождю во Франции через три дня, прогноз был бы дождем во Франции.”

Теперь нейронные сети могут учиться самостоятельно и не обязательно полагаться на людей, чтобы найти связи.

“Не имело значения, что мы не полностью понимаем предшествующие условия, потому что нейронная сеть научилась находить эти связи сама”, – сказал Хассанзаде. “Она научилась, какие закономерности были критическими для экстремальной погоды, и она использовала их, чтобы найти лучший аналог.”

Чтобы проверить свою концепцию, команда полагалась на данные, взятые из реалистичных компьютерных симуляций. Они первоначально сообщили о ранних результатах с помощью свёрточной нейронной сети, но затем команда перешла к нейронным сетям-капсулам. Свёрточные нейронные сети не могут распознавать относительные пространственные отношения, но нейронные сети-капсулы могут. Эти относительные пространственные отношения важны, когда речь идёт об эволюции погодных закономерностей.

“Относительные положения карт давления, высокие и низкие, которые вы видите на картах погоды, являются ключевым фактором, определяющим, как погода развивается”, – сказал Хассанзаде.

Нейронные сети-капсулы также требуют меньше обучающих данных, чем свёрточные нейронные сети.

Команда продолжит работать над системой, чтобы она могла быть использована в оперативном прогнозировании, но Хассанзаде надеется, что она в конечном итоге приведет к более точным прогнозам экстремальной погоды.

“Мы не предлагаем, что в конце концов это заменит NWP”, – сказал он. “Но это может быть полезным руководством для NWP. Вычислительчески это может быть очень дешевым способом предоставить некоторое руководство, раннее предупреждение, которое позволяет вам сосредоточить ресурсы NWP конкретно там, где экстремальная погода вероятна.”

“Мы хотим использовать идеи из объяснимого ИИ, чтобы интерпретировать, что делает нейронная сеть”, – сказал он. “Это может помочь нам выявить предшествующие условия, которые вызывают экстремальные погодные явления, и улучшить наше понимание их физики.”