Djupinlärningssystem kan förutsäga extremt väder med stor noggrannhet

Ingenjörer vid Rice University har utvecklat ett djupinlärningssystem som kan förutsäga extrema väderhändelser upp till fem dagar i förväg. Systemet, som har lärt sig själv, kräver endast minimal information om nuvarande väderförhållanden för att göra förutsägelserna.             

En del av systemets utbildning innebär att undersöka hundratals par kartor, och varje karta visar yttre temperaturer och lufttryck på fem kilometers höjd. Dessa förhållanden visas flera dagar isär. Utbildningen presenterar också scenarier som producerade extrema väderhändelser, såsom värmeböljor och kallfronter som kan orsaka värmeböljor och vinterstormar. Efter att ha slutfört utbildningen kunde det djupa inlärningssystemet göra femdagarsprognoser för extrema väderhändelser baserat på kartor som det inte tidigare hade sett, med en noggrannhetsgrad på 85%.

Enligt Pedram Hassanzadeh, medförfattare till studien som publicerades online i American Geophysical Union’s Journal of Advances in Modeling Earth Systems, kan systemet användas som ett verktyg och fungera som en tidig varning för väderprognoser. Det kommer att vara särskilt användbart för att lära sig mer om vissa atmosfäriska förhållanden som orsakar extrema väderhändelser. 

På grund av uppfinningen av datorbaserad numerisk väderprognos (NWP) på 1950-talet har dagliga väderprognoser fortsatt att förbättras. Men NWP kan inte göra tillförlitliga förutsägelser om extrema väderhändelser, såsom värmeböljor. 

“Det kan vara så att vi behöver snabbare superdatorer för att lösa de styrande ekvationerna i de numeriska väderprognosmodellerna med högre upplösning”, sa Hassanzadeh, biträdande professor i maskinteknik och jord-, miljö- och planetvetenskap vid Rice University. “Men eftersom vi inte fullständigt förstår fysiken och förutsättningarna för extrema väderhändelser, är det också möjligt att ekvationerna inte är fullständigt precisa, och de kommer inte att producera bättre prognoser, oavsett hur mycket beräkningskraft vi lägger in.”

2017 anslöt sig Hassanzadeh till studiens medförfattare och doktorander Ashesh Chattopadhyay och Ebrahim Nabizadeh. Tillsammans satte de igång på en annan väg. 

“När du får dessa värmeböljor eller kallfronter, om du tittar på väderkartan, ser du ofta konstigt beteende i jetströmmen, onormala saker som stora vågor eller ett stort högtryckssystem som inte rör sig alls”, sa Hassanzadeh. “Det verkade som om detta var ett mönsterigenkänningsproblem. Så vi bestämde oss för att försöka omformulera extrema väderprognoser som ett mönsterigenkänningsproblem snarare än ett numeriskt problem.”

“Vi bestämde oss för att utbilda vår modell genom att visa den många tryckmönster i de fem kilometer ovanför jorden, och säga till den, för var och en, ‘Detta orsakade inte extrema väder. Detta orsakade en värmebölja i Kalifornien. Detta orsakade ingenting. Detta orsakade en kallfronter i nordöstra USA'”, fortsatte Hassanzadeh. “Inget specifikt som Houston mot Dallas, men mer av en känsla av den regionala området.”

Före datorer användes analog prognos för väderprognoser. Det gjordes på ett mycket liknande sätt som det nya systemet, men det var människor istället för datorer. 

“En sätt att göra prognoser före datorer var att titta på trycksystemmönstret idag, och sedan gå till en katalog av tidigare mönster och jämföra och försöka hitta en analog, ett mycket liknande mönster”, sa Hassanzadeh. “Om det mönstret ledde till regn över Frankrike efter tre dagar, var prognosen regn i Frankrike.”

Nu kan neuronnät lära sig själva och behöver inte nödvändigtvis förlita sig på människor för att hitta samband. 

“Det spelade ingen roll att vi inte fullständigt förstod förutsättningarna, eftersom neuronnätet lärde sig att hitta dessa samband själv”, sa Hassanzadeh. “Det lärde sig vilka mönster som var kritiska för extrema väder, och det använde dem för att hitta den bästa analogen.”

För att testa sin idé förlitade sig teamet på data från realistiska datorsimulationer. De rapporterade ursprungligen tidiga resultat med ett konvolutionsneuronnät, men teamet gick sedan över till kapselneuronnät. Konvolutionsneuronnät kan inte känna igen relativa rumsliga relationer, men kapselneuronnät kan. Dessa relativa rumsliga relationer är viktiga när det gäller utvecklingen av vädermönster. 

“De relativa positionerna för tryckmönster, hög- och lågtryck som du ser på väderkartor, är den avgörande faktorn för att bestämma hur vädret utvecklas”, sa Hassanzadeh.

Kapselneuronnät kräver också mindre träningsdata än konvolutionsneuronnät. 

Teamet kommer att fortsätta arbeta på systemet för att det ska kunna användas i operativa prognoser, men Hassanzadeh hoppas att det slutligen kommer att leda till mer exakta prognoser för extrema väderhändelser. 

“Vi föreslår inte att detta kommer att ersätta NWP”, sa han. “Men detta kan vara ett användbart verktyg för NWP. Beräkningsmässigt kan detta vara ett supersbilligt sätt att ge någon vägledning, en tidig varning, som tillåter dig att fokusera NWP-resurser specifikt där extrema väderhändelser är sannolika.”

“Vi vill utnyttja idéer från förklarlig AI (artificiell intelligens) för att tolka vad neuronnätet gör”, sa han. “Detta kan hjälpa oss att identifiera förutsättningarna för extrema väderhändelser och förbättra vår förståelse av deras fysik.”