Trí tuệ nhân tạo
Hệ Thống Học Sâu Có Thể Dự Đoán Chính Xác Thời Tiết Khí Hậu Cực Điểm
Các kỹ sư tại Rice University đã phát triển một hệ thống học sâu có khả năng dự đoán chính xác các sự kiện thời tiết cực điểm lên đến năm ngày trước. Hệ thống, tự học, chỉ yêu cầu thông tin tối thiểu về điều kiện thời tiết hiện tại để đưa ra dự đoán.
Phần của quá trình đào tạo hệ thống liên quan đến việc kiểm tra hàng trăm cặp bản đồ, và mỗi bản đồ chỉ ra nhiệt độ bề mặt và áp suất không khí ở độ cao năm kilômét. Những điều kiện này được hiển thị vài ngày khác nhau. Việc đào tạo cũng trình bày các kịch bản đã tạo ra thời tiết cực điểm, chẳng hạn như thời kỳ nóng và lạnh có thể gây ra sóng nhiệt và bão mùa đông. Sau khi hoàn thành quá trình đào tạo, hệ thống học sâu có thể đưa ra dự báo năm ngày về thời tiết cực điểm dựa trên các bản đồ nó chưa từng thấy trước đó, với tỷ lệ chính xác là 85%.
Theo Pedram Hassanzadeh, đồng tác giả của nghiên cứu được đăng tải trực tuyến trên tạp chí Journal of Advances in Modeling Earth Systems của Hiệp hội Địa vật lý Hoa Kỳ, hệ thống này có thể được sử dụng như một công cụ và đóng vai trò là cảnh báo sớm cho các nhà dự báo thời tiết. Nó sẽ đặc biệt hữu ích cho việc tìm hiểu thêm về các điều kiện khí quyển gây ra các kịch bản thời tiết cực điểm.
Do sự phát minh của dự báo thời tiết số dựa trên máy tính (NWP) vào những năm 1950, dự báo thời tiết hàng ngày đã tiếp tục được cải thiện. Tuy nhiên, NWP không thể đưa ra dự đoán đáng tin cậy về các sự kiện thời tiết cực điểm, chẳng hạn như sóng nhiệt.
“Có thể chúng ta cần máy tính siêu tốc nhanh hơn để giải các phương trình điều khiển của mô hình dự báo thời tiết số ở độ phân giải cao hơn,” Hassanzadeh nói, một giáo sư trợ lý về kỹ thuật cơ khí và khoa học Trái đất, môi trường và hành tinh tại Rice University. “Nhưng vì chúng ta không hiểu đầy đủ về vật lý và điều kiện tiền đề của các mẫu thời tiết gây ra cực điểm, nên cũng có thể các phương trình không hoàn toàn chính xác, và chúng sẽ không tạo ra dự báo tốt hơn, bất kể chúng ta đầu tư bao nhiêu sức mạnh tính toán vào đó.”
Năm 2017, Hassanzadeh được tham gia bởi các đồng tác giả và sinh viên nghiên cứu sinh Ashesh Chattopadhyay và Ebrahim Nabizadeh. Cùng nhau, họ đã đi theo một con đường khác.
“Khi bạn nhận được những đợt sóng nhiệt hoặc thời kỳ lạnh, nếu bạn nhìn vào bản đồ thời tiết, bạn thường sẽ thấy một số hành vi kỳ lạ trong dòng khí quyển, những thứ bất thường như sóng lớn hoặc một hệ thống áp suất cao không di chuyển,” Hassanzadeh nói. “Có vẻ như đây là một vấn đề nhận dạng mẫu. Vì vậy, chúng tôi quyết định thử định dạng lại dự báo thời tiết cực điểm như một vấn đề nhận dạng mẫu chứ không phải là một vấn đề số.”
“Chúng tôi quyết định đào tạo mô hình của mình bằng cách hiển thị cho nó nhiều mẫu áp suất ở độ cao năm kilômét trên Trái đất, và nói với nó, đối với mỗi mẫu, ‘Mẫu này không gây ra thời tiết cực điểm. Mẫu này gây ra một đợt sóng nhiệt ở California. Mẫu này không gây ra gì. Mẫu này gây ra một đợt lạnh ở Đông Bắc,'” Hassanzadeh tiếp tục. “Không phải là cụ thể như Houston so với Dallas, mà là nhiều hơn về khu vực.”
Trước khi có máy tính, dự báo tương tự được sử dụng để dự đoán thời tiết. Nó được thực hiện theo một cách rất giống với hệ thống mới, nhưng đó là con người chứ không phải máy tính.
“Một cách dự đoán được thực hiện trước khi có máy tính là họ sẽ nhìn vào mẫu hệ thống áp suất ngày hôm nay, và sau đó đi đến một danh mục các mẫu trước đó và so sánh và cố gắng tìm một mẫu tương tự, một mẫu rất giống,” Hassanzadeh nói. “Nếu mẫu đó dẫn đến mưa ở Pháp sau ba ngày, dự báo sẽ là mưa ở Pháp.”
Bây giờ, mạng nơ-ron có thể học hỏi một mình và không nhất thiết phải dựa vào con người để tìm kiếm các kết nối.
“Nó không quan trọng rằng chúng ta không hiểu đầy đủ về các tiền đề vì mạng nơ-ron đã học cách tìm ra những kết nối đó một mình,” Hassanzadeh nói. “Nó đã học những mẫu nào quan trọng cho thời tiết cực điểm, và nó đã sử dụng những mẫu đó để tìm ra mẫu tương tự tốt nhất.”
Để kiểm tra khái niệm của mình, nhóm đã dựa vào dữ liệu được lấy từ các mô phỏng máy tính thực tế. Họ ban đầu báo cáo kết quả sơ bộ với một mạng nơ-ron tích chập, nhưng sau đó nhóm đã chuyển sang mạng nơ-ron capsule. Mạng nơ-ron tích chập không thể nhận ra mối quan hệ không gian tương đối, nhưng mạng nơ-ron capsule có thể. Những mối quan hệ không gian tương đối này rất quan trọng khi nói đến sự tiến hóa của các mẫu thời tiết.
“Vị trí tương đối của các mẫu áp suất, các cao và thấp bạn thấy trên bản đồ thời tiết, là yếu tố quan trọng quyết định cách thời tiết tiến hóa,” Hassanzadeh nói.
Mạng nơ-ron capsule cũng yêu cầu ít dữ liệu đào tạo hơn so với mạng nơ-ron tích chập.
Nhóm sẽ tiếp tục làm việc trên hệ thống để nó có thể được sử dụng trong dự báo hoạt động, nhưng Hassanzadeh hy vọng rằng cuối cùng nó sẽ dẫn đến dự báo chính xác hơn cho thời tiết cực điểm.
“Chúng tôi không đề xuất rằng vào cuối ngày, điều này sẽ thay thế NWP,” ông nói. “Nhưng điều này có thể là một hướng dẫn hữu ích cho NWP. Về mặt tính toán, đây có thể là một cách siêu rẻ để cung cấp một số hướng dẫn, một cảnh báo sớm, cho phép bạn tập trung tài nguyên NWP cụ thể vào nơi thời tiết cực điểm có khả năng xảy ra.”
“Chúng tôi muốn tận dụng các ý tưởng từ trí tuệ nhân tạo giải thích được (AI) để diễn giải những gì mạng nơ-ron đang làm,” ông nói. “Điều này có thể giúp chúng tôi xác định các tiền đề của các mẫu thời tiết gây ra cực điểm và cải thiện sự hiểu biết của chúng tôi về vật lý của chúng.”
