โมเดลและแพลตฟอร์ม AI
ระบบ Deep Learning สามารถคาดการณ์สภาพอากาศสุดขั้วได้อย่างแม่นยำ
เพิ่ม Unite.AI ลงในแหล่งข้อมูลที่คุณต้องการบน Google
วิศวกรที่ มหาวิทยาลัยไรซ์ ได้พัฒนาระบบ Deep Learning ที่สามารถคาดการณ์สภาพอากาศสุดขั้วได้อย่างแม่นยำล่วงหน้า 5 วัน ระบบนี้ซึ่งได้รับการฝึกฝนโดยตัวเองต้องการข้อมูลเกี่ยวกับสภาพอากาศปัจจุบันเพียงเล็กน้อยเพื่อทำการคาดการณ์
ส่วนหนึ่งของกระบวนการฝึกอบรมของระบบเกี่ยวข้องกับการตรวจสอบหลายร้อยคู่ของแผนที่ และแต่ละแผนที่แสดงอุณหภูมิผิวและความกดอากาศที่ความสูง 5 กิโลเมตร สภาพเหล่านี้จะแสดงหลายวันต่อมา การฝึกอบรมยังนำเสนอสถานการณ์ที่ทำให้เกิดสภาพอากาศสุดขั้ว เช่น ช่วงความร้อนและช่วงความเย็นที่สามารถทำให้เกิดคลื่นความร้อนและพายุฤดูหนาว หลังจากการฝึกอบรมแล้ว ระบบ Deep Learning สามารถทำการคาดการณ์ 5 วันสำหรับสภาพอากาศสุดขั้วได้โดยอาศัยแผนที่ที่ไม่เคยเห็นมาก่อน โดยมีอัตราความแม่นยำ 85%
ตามที่ Pedram Hassanzadeh ผู้ร่วมเขียนการศึกษาที่ได้รับการตีพิมพ์ออนไลน์ใน Journal of Advances in Modeling Earth Systems ของ American Geophysical Union ระบบนี้สามารถใช้เป็นเครื่องมือและทำหน้าที่เป็นการเตือนล่วงหน้าสำหรับนักพยากรณ์สภาพอากาศ จะเป็นประโยชน์อย่างมากในการเรียนรู้เกี่ยวกับสภาพบรรยากาศที่ทำให้เกิดสภาพอากาศสุดขั้ว
เนื่องจากการคิดค้นการพยากรณ์สภาพอากาศเชิงตัวเลขโดยใช้คอมพิวเตอร์ (NWP) ในช่วงปี 1950 การพยากรณ์สภาพอากาศรายวันจึงได้รับการปรับปรุงอย่างต่อเนื่อง อย่างไรก็ตาม NWP ไม่สามารถทำการคาดการณ์ที่เชื่อถือได้เกี่ยวกับสภาพอากาศสุดขั้ว เช่น คลื่นความร้อน
อาจเป็นไปได้ว่าเราต้องการซูเปอร์คอมพิวเตอร์ที่เร็วขึ้นเพื่อแก้สมการของแบบจำลองการพยากรณ์สภาพอากาศเชิงตัวเลขที่มีความละเอียดสูง” Hassanzadeh กล่าว “แต่เนื่องจากเราไม่เข้าใจฟิสิกส์และสภาพก่อนหน้าที่ทำให้เกิดสภาพอากาศสุดขั้วอย่างสมบูรณ์ จึงเป็นไปได้ว่าสมการเหล่านั้นไม่ถูกต้อง และจะไม่ทำให้การคาดการณ์ดีขึ้น ไม่ว่าเราจะใช้กำลังการประมวลผลมากเพียงใด”
ในปี 2017 Hassanzadeh ได้ร่วมงานกับผู้ร่วมเขียนการศึกษาและนักศึกษาระดับบัณฑิตศึกษา Ashesh Chattopadhyay และ Ebrahim Nabizadeh ด้วยกัน พวกเขาเริ่มเดินไปตามเส้นทางที่แตกต่าง
เมื่อคุณได้รับคลื่นความร้อนหรือช่วงความเย็น หากคุณดูแผนที่สภาพอากาศ คุณมักจะเห็นพฤติกรรมที่แปลกในกระแสสตราโตสเฟียร์ เช่น คลื่นขนาดใหญ่หรือระบบความกดอากาศสูงขนาดใหญ่ที่ไม่เคลื่อนที่” Hassanzadeh กล่าว “ดูเหมือนว่านี่เป็นปัญหาในการรับรู้รูปแบบ ดังนั้นเราจึงตัดสินใจที่จะเปลี่ยนการคาดการณ์สภาพอากาศสุดขั้วให้เป็นปัญหารับรู้รูปแบบมากกว่าเป็นปัญหาทางคณิตศาสตร์”
“เราตัดสินใจฝึกโมเดลของเราโดยการแสดงรูปแบบความกดอากาศหลายรูปแบบที่ความสูง 5 กิโลเมตรเหนือพื้นโลก และบอกมันว่า ‘รูปแบบนี้ไม่ทำให้เกิดสภาพอากาศสุดขั้ว รูปแบบนี้ทำให้เกิดคลื่นความร้อนในแคลิฟอร์เนีย รูปแบบนี้ไม่ทำให้เกิดอะไรเลย รูปแบบนี้ทำให้เกิดช่วงความเย็นในภาคตะวันออกเฉียงเหนือ'” Hassanzadeh กล่าวต่อ “ไม่ใช่สิ่งเฉพาะเจาะจง เช่น ฮูสตันเทียบกับดัลลัส แต่เป็นความรู้สึกเกี่ยวกับพื้นที่ในระดับภูมิภาค”
ก่อนที่จะมีคอมพิวเตอร์ การพยากรณ์สภาพอากาศแบบอนาล็อกถูกใช้ในการทำนายสภาพอากาศ ซึ่งทำในลักษณะที่คล้ายกับระบบใหม่นี้ แต่ทำโดยมนุษย์แทนคอมพิวเตอร์
วิธีการทำนายสภาพอากาศหนึ่งวิธีก่อนที่จะมีคอมพิวเตอร์คือการดูระบบความกดอากาศในปัจจุบัน แล้วไปที่แค็ตตาล็อกของระบบก่อนหน้าและเปรียบเทียบเพื่อหาสิ่งที่คล้ายคลึงกัน” Hassanzadeh กล่าว “หากสิ่งนั้นทำให้เกิดฝนในฝรั่งเศสหลังจาก 3 วัน การทำนายจะคือฝนในฝรั่งเศส”
ในขณะนี้ เครือข่ายประสาทสามารถเรียนรู้ด้วยตนเองและไม่จำเป็นต้องอาศัยมนุษย์ในการค้นหาความเชื่อมโยง
ไม่สำคัญที่เราจะไม่เข้าใจสิ่งเร้าให้เกิดสภาพอากาศสุดขั้วอย่างสมบูรณ์ เนื่องจากเครือข่ายประสาทสามารถเรียนรู้เพื่อหาความเชื่อมโยงเหล่านั้นเอง” Hassanzadeh กล่าว “มันเรียนรู้ว่ารูปแบบใดที่สำคัญสำหรับสภาพอากาศสุดขั้ว และใช้สิ่งเหล่านั้นเพื่อหาสิ่งที่ดีที่สุด”
เพื่อทดสอบแนวคิดของพวกเขา ทีมงานได้ใช้ข้อมูลจากซิมูเลชันคอมพิวเตอร์ที่สมจริง พวกเขาได้รายงานผลลัพธ์เบื้องต้นด้วยเครือข่ายประสาทแบบโคนโวลูชัน แต่แล้วจึงเปลี่ยนไปใช้เครือข่ายประสาทแบบแคปซูล เครือข่ายประสาทแบบโคนโวลูชันไม่สามารถรับรู้ความสัมพันธ์เชิงพื้นที่สัมพัทธ์ได้ แต่เครือข่ายประสาทแบบแคปซูลสามารถทำได้ ความสัมพันธ์เชิงพื้นที่สัมพัทธ์เหล่านี้มีความสำคัญต่อการวิวัฒนาการของรูปแบบสภาพอากาศ
ตำแหน่งสัมพัทธ์ของรูปแบบความกดอากาศ ซึ่งเป็นปัจจัยสำคัญในการกำหนดว่าสภาพอากาศจะวิวัฒนาการไปอย่างไร” Hassanzadeh กล่าว
เครือข่ายประสาทแบบแคปซูลยังต้องการข้อมูลการฝึกอบรมน้อยกว่าเครือข่ายประสาทแบบโคนโวลูชัน
ทีมงานจะยังคงทำงานในระบบเพื่อให้สามารถใช้งานได้ในการทำนายสภาพอากาศ แต่ Hassanzadeh หวังว่ามันจะนำไปสู่การคาดการณ์ที่แม่นยำยิ่งขึ้นสำหรับสภาพอากาศสุดขั้ว
เรากำลังแนะนำว่าในที่สุดนี้จะไม่มาแทนที่ NWP” เขากล่าว “แต่นี่อาจเป็นแนวทางที่มีประโยชน์สำหรับ NWP ในทางทฤษฎีแล้ว สิ่งนี้อาจเป็นวิธีการให้คำแนะนำที่มีค่าใช้จ่ายต่ำในการให้คำเตือนล่วงหน้า ซึ่งช่วยให้คุณสามารถมุ่งเน้นไปที่ทรัพยากร NWP โดยเฉพาะที่สภาพอากาศสุดขั้วอาจเกิดขึ้น”
เราต้องการใช้แนวคิดจาก AI ที่สามารถอธิบายได้เพื่อทำความเข้าใจสิ่งที่เครือข่ายประสาททำ” เขากล่าว “สิ่งนี้อาจช่วยให้เราเข้าใจสิ่งเร้าให้เกิดสภาพอากาศสุดขั้วและปรับปรุงความเข้าใจในฟิสิกส์ของมัน”
