Глибокий навчання системи можуть точно передбачити екстремальну погоду

Інженери з Райсського університету створили систему глибокого навчання, яка здатна точно передбачити екстремальні погодні явища за до п’яти днів до їхнього настання. Система, яка навчила себе, потребує мінімальної інформації про поточні погодні умови, щоб зробити передбачення.             

Частина навчання системи полягає в тому, щоб вивчити сотні пар карт, і кожна карта вказує поверхневі температури та атмосферний тиск на висоті п’ять кілометрів. Ці умови показані через кілька днів. Навчання також передбачає сценарії, які призводять до екстремальної погоди, chẳng hạn як спеки та холодні спеки, які можуть спричинити хвилі спеки та зимові шторми. Після завершення навчання система глибокого навчання змогла зробити п’ятиденні передбачення екстремальної погоди на основі карт, яких вона раніше не бачила, з точністю 85%.

За словами Педрама Хассанзаде, співавтора дослідження, яке було опубліковано онлайн в журналі Американського геофізичного союзу Journal of Advances in Modeling Earth Systems, система може бути використана як інструмент і служити раннім попередженням для прогнозистів погоди. Це буде особливо корисно для вивчення певних атмосферних умов, які призводять до екстремальної погоди. 

Через винахід комп’ютерних числових прогнозів погоди (NWP) у 1950-х роках, щоденні прогнози погоди продовжують покращуватися. Однак NWP не може зробити надійних передбачень про екстремальні погодні явища, такі як спеки. 

“Можливо, нам потрібно швидші суперкомп’ютери, щоб розв’язати рівняння числових моделей прогнозу погоди з вищою роздільністю,” сказав Хассанзаде, доцент механічної інженерії та наук про Землю, навколишнє середовище та планетарні науки в Райсському університеті. “Але оскільки ми не повністю розуміємо фізику та попередні умови екстремальної погоди, можливо, що рівняння не повністю точні, і вони не дадуть кращих передбачень, незалежно від кількості обчислювальної потужності, яку ми вкладемо в них.”

У 2017 році Хассанзаде приєднався до співавторів дослідження та аспірантів Ашеша Чаттопадхая та Ебрахіма Набізаде. Разом вони вибрали інший шлях. 

“Коли ви отримуєте ці спеки чи холодні спеки, якщо ви дивитесь на карту погоди, ви часто бачите дивну поведінку в струмені, аномальні речі, такі як великі хвилі або велика високотискова система, яка не рухається зовсім,” сказав Хассанзаде. “Здається, це була проблема розпізнавання закономірностей. Тому ми вирішили спробувати переформулювати передбачення екстремальної погоди як проблему розпізнавання закономірностей, а не числової проблеми.”

“Ми вирішили навчити нашу модель, показуючи їй багато карт тиску на висоті п’ять кілометрів над Землею, і кажучи їй, для кожної з них, ‘Ця карта не призвела до екстремальної погоди. Ця карта призвела до спеки в Каліфорнії. Ця карта не призвела до нічого. Ця карта призвела до холодної спеки на північному сході,'” продовжував Хассанзаде. “Не щось конкретне, як Х’юстон проти Далласа, а більше відчуття регіональної території.”

До появи комп’ютерів використовувався аналоговий прогноз для передбачення погоди. Це робилося дуже схожим чином на нову систему, але люди замість комп’ютерів. 

“Один із способів передбачення погоди до появи комп’ютерів полягав у тому, щоб дивитися на карту тиску системи сьогодні, а потім йти до каталогу попередніх карт і порівнювати їх, щоб знайти аналог, дуже схожу карту,” сказав Хассанзаде. “Якщо ця карта призвела до дощу над Францією через три дні, прогноз був би дощем у Франції.”

Тепер нейронні мережі можуть навчатися самостійно і не потребують людини, щоб знайти зв’язки. 

“Нам не важливо, що ми не повністю розуміємо попередні умови, оскільки нейронна мережа сама навчилася знаходити ці зв’язки,” сказав Хассанзаде. “Вона навчилася, які закономірності були критичними для екстремальної погоди, і використала їх, щоб знайти найкращий аналог.”

Щоб перевірити свою концепцію, команда використала дані, отримані з реалістичних комп’ютерних симуляцій. Спочатку вони повідомили про ранні результати з використанням卷олюційної нейронної мережі, але потім перейшли до капсульних нейронних мереж. Вололюційні нейронні мережі не можуть розпізнавати відносні просторові відносини, але капсульні нейронні мережі можуть. Ці відносні просторові відносини важливі для розвитку закономірностей погоди. 

“Відносні позиції карт тиску, високого та низького тиску, які ви бачите на картах погоди, є ключовим фактором у визначенні того, як розвивається погода,” сказав Хассанзаде.

Капсульні нейронні мережі також потребують менше навчальних даних, ніж вололюційні нейронні мережі. 

Команда продовжить роботу над системою, щоб зробити її придатною для використання в оперативному прогнозуванні, але Хассанзаде сподівається, що це в кінцевому підсумку приведе до більш точних передбачень екстремальної погоди. 

“Ми не пропонуємо, що в кінцевому підсумку це замініть NWP,” сказав він. “Але це може бути корисним керівництвом для NWP. Обчислювально це може бути дуже дешевим способом надання деяких вказівок, раннього попередження, яке дозволить вам зосередити ресурси NWP конкретно там, де ймовірна екстремальна погода.”

“Ми хочемо використовувати ідеї з пояснюваної штучного інтелекту, щоб інтерпретувати, що робить нейронна мережа,” сказав він. “Це може допомогти нам ідентифікувати попередні умови екстремальної погоди та покращити наше розуміння їх фізики.”