Система глибокого навчання може точно передбачити екстремальну погоду

Інженери в Rice University розробили 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 прогнози.             

Частина навчання системи полягає в вивченні сотень пар карт, і кожна карта вказує температуру поверхні та атмосферний тиск на висоті п’ять кілометрів. Ці умови показані через кілька днів. Навчання також включає сценарії, які призводили до екстремальної погоди, таких як спеки та холодні хвилі, які можуть спричинити хвилі жари та зимові шторми. Після завершення навчання система глибокого навчання змогла зробити п’ятиденні прогнози екстремальної погоди на основі карт, яких вона раніше не бачила, з точністю 85%.

Згідно з словами Педрама Хассанзаде, співавтора дослідження, яке було опубліковано в Інтернеті в журналі Американського геофізичного союзу Journal of Advances in Modeling Earth Systems, система може бути використана як інструмент і діяти як рання система попередження для синоптиків. Вона буде особливо корисна для вивчення певних атмосферних умов, які спричиняють екстремальні погодні явища. 

Через винахід комп’ютерної числової погоди (NWP) в 1950-х роках, добові погодні прогнози продовжують покращуватися. Однак NWP не може робити надійні прогнози про екстремальні погодні явища, такі як спеки. 

“Можливо, нам потрібні швидші суперкомп’ютери, щоб розв’язати керуючі рівняння моделей числової погоди при вищій роздільності”, – сказав Хассанзаде, асистент професора механічної інженерії та наук про Землю, навколишнє середовище та планету в Rice University. “Але оскільки ми не повністю розуміємо фізику та попередні умови погодних явищ, які спричиняють екстремальну погоду, також можливо, що рівняння не повністю точні, і вони не дадуть кращих прогнозів, незалежно від кількості обчислювальної потужності, яку ми вкладаємо 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 хвилі, якщо ви дивитесь на карту погоди, ви часто бачите певну незвичайну поведінку в струменевому потоці, аномальні речі, такі як великі хвилі або велика високотискова система, яка не рухається зовсім”, – сказав Хассанзаде. “Здалося, що це проблема розпізнавання закономірностей. Тому ми вирішили спробувати сформулювати прогнозування екстремальної погоди як проблему розпізнавання закономірностей, а не числової проблеми.”

“Ми вирішили навчити нашу модель, показуючи їй багато карт тисків на висоті п’ять кілометрів над Землею, і кажучи їй, для кожної з них, ‘Ця не спричинила екстремальну погоду. Ця спричинила спеку в Каліфорнії. Ця не спричинила нічого. Ця спричинила холодну хвилю 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 прогнозування погоди. Він робився дуже схожим чином на нову систему, але люди замість комп’ютерів. 

“Один із способів прогнозування, який робився до появи комп’ютерів, полягав у тому, що вони дивилися на карту тиску сьогодні, а потім йшли до каталогу попередніх карт і порівнювали та намагалися 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 обов’язково потребують людей, щоб знайти зв’язки. 

“Немає значення, що ми не повністю розуміємо попередніх умов, оскільки нейронна мережа навчилася знаходити ці зв’язки сама,” – сказав Хассанзаде. “Вона навчилася, які закономірності були критичними для екстремальної погоди, і вона використала їх, щоб знайти найкращий аналог.”

Щоб протестувати свою концепцію, команда спирається на дані, взяті з реалістичних комп’ютерних симуляцій. Спочатку вони повідомили про перші результати з використанням卷невої нейронної мережі, але потім команда перейшла до капсульних нейронних мереж. Волневі нейронні мережі не можуть розпізнавати відносні просторові відносини, але капсульні нейронні мережі можуть. Ці відносні просторові відносини важливі при розвитку погодних явищ. 

“Відносні позиції карт тисків, високих і низьких, 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 волневі нейронні мережі. 

Команда продовжить роботу над системою, щоб вона могла бути використана в оперативному прогнозуванні, але Хассанзаде сподівається, що це в кінцевому підсумку приведе до більш точних прогнозів екстремальної погоди. 

“Ми не пропонуємо, що в кінцевому підсумку це замінить 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 (AI), щоб інтерпретувати, що робить нейронна мережа,” – сказав він. “Це може допомогти нам ідентифікувати попередні умови погодних явищ, які спричиняють екстремальну погоду, і покращити наше розуміння їхньої фізики.”