Система глубокого обучения может точно предсказывать экстремальные погодные явления

Инженеры в Rice University разработали систему глубокого обучения, способную точно предсказывать экстремальные погодные явления за пять дней до их возникновения. Система, которая обучила себя, требует минимальной информации о текущих погодных условиях, чтобы сделать прогнозы.             

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

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

Благодаря изобретению компьютерных численных методов прогнозирования 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 управляющие уравнения численных методов прогнозирования погоды с более высокой разрешающей способностью”, – сказал Hassanzadeh, помощник профессора механической инженерии и наук о Земле, окружающей среде и планетах в Rice University. “Но поскольку мы не полностью понимаем физику и предшествующие условия погодных явлений, которые вызывают экстремальные погодные явления, также возможно, что уравнения не полностью точны и не дадут лучших прогнозов, независимо от того, сколько вычислительной мощности мы в них вложим.”

В 2017 году Hassanzadeh был присоединен к соавторам исследования и аспирантам Ashesh Chattopadhyay и Ebrahim Nabizadeh. Вместе они пошли по другому пути. 

“Когда вы получаете эти жаркие волны или холодные периоды, если вы посмотрите на погодную карту, вы часто увидите странное поведение в струйном потоке, аномальные вещи, такие как большие волны или большая область высокого давления, которая не движется вообще”, – сказал Hassanzadeh. “Казалось, что это проблема распознавания образов. Итак, мы решили попробовать сформулировать прогнозирование экстремальных погодных явлений как проблему распознавания образов, а не как числовую 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 не привела к экстремальным погодным явлениям. Эта вызвала жаркую волну в Калифорнии. Эта не привела к ничего. Эта вызвала холодный период на северо-востоке'”, – продолжил Hassanzadeh. “Не конкретно, как Хьюстон против Далласа, но больше в смысле 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, который использовался 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 Hassanzadeh. “Если та 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 Hassanzadeh. “Она научилась, какие закономерности были критическими для экстремальных погодных явлений, и она использовала их, чтобы найти лучший аналог.”

Чтобы проверить свою концепцию, команда полагалась на данные, полученные 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 являются важными при эволюции погодных явлений. 

“Относительные положения карт давления, высоты и низкого давления, которые вы видите на погодных картах, являются ключевым фактором в определении того, как развивается погода”, – сказал Hassanzadeh.

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

Команда продолжит работать над системой, чтобы она могла быть использована в оперативном прогнозировании, но Hassanzadeh надеется, что это в конечном итоге приведет к более точным прогнозам экстремальных погодных явлений. 

“Мы не предлагаем, что в конце концов это заменит NWP”, – сказал он. “Но это может быть полезным инструментом для NWP. С вычислительной точки зрения это может быть очень дешевым способом предоставления некоторых рекомендаций, раннего предупреждения, которое позволяет вам сосредоточить ресурсы NWP именно там, где, вероятно, возникнут экстремальные погодные явления.”

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