深度学习系统可以准确预测极端天气

莱斯大学的工程师们开发了一个深度学习系统，能够在五天前准确预测极端天气事件。该系统只需要最少的当前天气条件信息就可以进行预测。

该系统的训练包括检查数百对地图，每张地图显示五公里高度的表面温度和空气压力。这些条件在几天内显示。训练还呈现了可能产生极端天气的场景，例如可能引起热浪和冬季风暴的热浪和寒潮。完成训练后，深度学习系统能够根据以前未见过的地图进行五天的极端天气预报，准确率为85%。

根据研究的共同作者Pedram Hassanzadeh的说法，该系统可以作为工具和天气预报员的早期警告。它将特别有助于了解某些大气条件，这些条件可能导致极端天气场景。该研究已在美国地球物理联合会的《地球系统建模进展杂志》上发表。

由于20世纪50年代计算机数值天气预报（NWP）的发明，日常天气预报已经持续改进。然而，NWP无法对极端天气事件（如热浪）进行可靠的预测。

“我们可能需要更快的超级计算机来解决数值天气预报模型的控制方程，以更高的分辨率来解决，”Hassanzadeh说，他是莱斯大学机械工程和地球、环境和地球物理科学助理教授。“但由于我们并不完全理解极端天气模式的物理学和先兆条件，因此这些方程可能并不完全准确，即使我们投入更多的计算资源，也无法产生更好的预报。”

2017年，Hassanzadeh与研究的共同作者和研究生Ashesh Chattopadhyay和Ebrahim Nabizadeh一起踏上了不同的道路。

“当你遇到热浪或寒潮时，如果你看天气图，你经常会看到一些奇怪的行为在喷流中，像大波浪或一个不动的高压系统，”Hassanzadeh说。“这似乎是一个模式识别问题。所以我们决定将极端天气预报重新表述为一个模式识别问题，而不是一个数值问题。”

“我们决定通过向模型展示大量五公里以上的地球压力模式，并告诉它，每一个模式，‘这个模式没有引起极端天气。这个模式在加利福尼亚引起了热浪。这个模式没有引起任何事情。这个模式在东北部引起了寒潮，’”Hassanzadeh继续说。“不是特指某个城市，如休斯顿或达拉斯，而是更像区域感受。”

在计算机出现之前，天气预报使用类似于新系统的模拟预报，但它是由人类完成的。

“一种预测天气的方法是在计算机出现之前，人们会查看当前的压力系统模式，然后去一个以前的模式目录中查找并比较，尝试找到一个类似的模式，”Hassanzadeh说。“如果那个模式在三天后导致法国下雨，那么预报就会预测法国会下雨。”

现在，神经网络可以自行学习，不一定需要依赖人类来找到联系。

“这并不重要，我们并不完全理解先兆，因为神经网络学会了自己找到这些联系，”Hassanzadeh说。“它学会了哪些模式对于极端天气至关重要，并使用这些模式来找到最好的类似模式。”

为了测试他们的概念，团队依赖于来自现实计算机模拟的数据。他们最初使用卷积神经网络报告了早期结果，但团队后来转向了胶囊神经网络。卷积神经网络无法识别相对空间关系，但胶囊神经网络可以。这些相对空间关系在天气模式的演变中至关重要。

“天气图上的高压和低压系统的相对位置是决定天气如何演变的关键因素，”Hassanzadeh说。

胶囊神经网络还需要的训练数据比卷积神经网络少。

该团队将继续致力于使该系统能够用于运营预报，但Hassanzadeh希望它最终能够带来更准确的极端天气预报。

“我们并不是说最终这一切都会取代NWP，”他说。“但这可能是NWP的一个有用的指南。从计算角度来说，这可能是一种非常廉价的方式来提供一些指导，一个早期警告，允许您专注于NWP资源，特别是在极端天气可能发生的地方。”

“我们希望利用可解释的AI（人工智能）思想来解释神经网络正在做什么，”他说。“这可能有助于我们识别极端天气模式的先兆并改善我们对其物理学的理解。”