Применение в прогнозировании погоды машинного обучения

В последнее десятилетие приложения искусственного интеллекта активно развивались в различных исследовательских секторах, включая компьютерное зрение, связь и медицину. Сейчас быстроразвивающиеся технологии вносят свой вклад в прогнозирование погоды.

О исследовании

Области науки об атмосфере и спутниковой метеорологии идеально подходят для этой задачи, предлагая богатую тренировочную площадку, которая будет существовать вечно. Энтони Уиммерс - ученый из кооперативного института метеорологических исследований (CIMSS) Университета Висконсин-Мэдисон, который работает с системами искусственного интеллекта в течение последних трех лет. Его последние исследования показывают, как модель искусственного интеллекта может помочь улучшить краткосрочное прогнозирование (или «текущее прогнозирование») ураганов.

Эта модель, известная как Deep Micro Net, использует глубокое обучение, тип нейронной сети, организованной в «глубокие» взаимодействующие слои, которые находят шаблоны в наборе данных. Виммерс исследует, как система искусственного интеллекта, такая как Deep Micro Net, может дополнять и поддерживать обычные системы прогнозирования погоды.

В статье за 2019 год, опубликованной в журнале Monthly Weather Review, Виммерс и его коллеги Крис Велден из CIMSS и Джош Коссут из Военно-морской исследовательской лаборатории США описывают способ использования глубокого обучения для оценки силы ураганов на основе данных от конкретных метеорологических спутников. Когда они проходят над головой, эти спутники собирают ключевую информацию о структуре урагана посредством измерений в микроволновой части электромагнитного спектра.

За 30 лет использования микроволновых данных в статье показано, как модель может оценить - с возрастающей точностью - интенсивность тропического циклона. «Результаты исследования показывают, что полученные данные очень точны и помогают идентифицировать степень опасности урагана», - говорит Виммерс. Подобные быстрые анализы могут дать прогнозистам жизненно важную информацию о поведении шторма и о том, чего ожидать, например, о том, будем ли шторм слабеть, или наоборот усиливаться.

При прогнозировании максимальных устойчивых ветров урагана результаты Deep Micro Net отличались от исторических данных, полученных по прогнозам, примерно на 16 миль в час. Однако результаты Deep Micro Net улучшились, когда наборы данных были ограничены данными, измеренными непосредственно воздушным судном. Затем Deep Micro Net отключился менее чем на 11,5 миль в час. Для сравнения, оценки с использованием самых современных методов обычно отклоняются примерно на 10 милях в час.

Виммерс намеревался ответить на три основных вопроса. Во-первых, он хотел определить, насколько хорошо модель работает по сравнению с современными методами прогнозирования интенсивности ураганов. Во-вторых, важно было оценить, были ли результаты значимыми и развили науку о метеорологии. Наконец, он хотел продемонстрировать новые способы включения менее часто используемых данных, таких как микроволновые изображения, в модели прогнозирования, предлагая ценную информацию о шторме.

«Причина, по которой системы глубокого обучения так сильно выросли в спутниковой метеорологии, заключается в том, что они готовы для приложений такого типа, где у вас есть десятки тысяч изображений, доступных для обучения модели», - говорит Виммерс. «Это также относится к ситуациям, когда вам нужен быстрый ответ». Виммерс провел свой эксперимент, чтобы проверить, насколько хорошо система ИИ может справиться с данными об уже прошедших ураганах.

Исторические интенсивности ураганов были получены из комбинации прогнозов, основанных на других спутниковых данных и наблюдениях с самолетов. Не зная типов данных, работа Deep Micro Net заключалась в оценке интенсивностей на основе большого независимого набора данных микроволновых изображений, измеренных на частотах 37 ГГц и 89 ГГц. «Эти две частоты полезны для выявления различных структур ураганов», - говорит Виммерс.

«Их относительно грубое разрешение также означает, что их можно быстро анализировать и обрабатывать на компьютере». Программа AI от Wimmers позволяет обрабатывать более 50 000 изображений ураганов менее чем за два часа. Она был написан с использованием Python, языка программирования, который стал стандартом для мощных приложений машинного обучения. Виммерс говорит, что эти системы достигают максимальной производительности после анализа по меньшей мере десятков тысяч примеров.

Посредством повторяющейся обработки обучающих изображений система показала, что она может обнаруживать и запоминать закономерности в структуре урагана. Deep Micro Net дал окончательные результаты после проверки, используя меньший набор из 3000 изображений. Здесь он применил то, чему научился во время тренировок, и точно оценил интенсивность тропических циклонов. В прошлом запуск моделей с большими наборами данных мог занимать до недели.

Однако сегодня достижения в области вычислительной техники сократили учебную задачу, такую как Deep Micro Net, до 90 минут. «Эти результаты стали многообещающей демонстрацией того, что мы можем сделать с машинным обучением в будущем», - говорит Виммерс. «Мы можем интерпретировать результаты сетей глубокого обучения, чтобы улучшить наши физические модели. Мы можем использовать шаблоны, которые раньше были нам недоступны, потому что они были слишком сложными».

Хотя системы глубокого обучения могут иметь мощные прогностические возможности, их дизайн имеет свойственный им недостаток. Вне сообщества слова «черный ящик» часто используются для описания систем ИИ и их результатов. Источник продолжительных дебатов, «черный ящик», относится к тому, как иногда бывает трудно проследить путь, по которому модель ИИ пришла к своему выводу. Это представляет собой серьезную проблему для научного сообщества, основанную на необоснованности.

Уиммерс утверждает, что, несмотря на некоторые непрозрачные методологии ИИ, ученые могут извлечь много пользы, исследуя системы ИИ и их процессы. «С одной стороны, модель глубокого обучения обработки изображений может рассказать вам немного о себе в зависимости от ее производительности или того, на чем она сосредоточила свои усилия и какие области изображения имели наибольшее значение», - говорит Виммерс.

«Но с другой стороны, у нас нет хорошей системы для перевода всей этой информации к ее начальному виду, чтобы сообщить нам, что происходит в мире природы». Более традиционные погодные модели основаны на серии уравнений и наборов данных, полученных из физики атмосферы. Напротив, система ИИ часто игнорирует любые существующие предположения и фокусируется исключительно на поиске закономерностей в данных. В лучшем случае система ИИ включает в себя естественные процессы в атмосфере, которые ранее игнорировались традиционными моделями.

Заключение

Таким образом, результаты ИИ могут быть использованы для дополнения текущих моделей погоды и выявления тенденций, заслуживающих дальнейшего изучения. Виммерс видит, что оба подхода играют взаимодополняющие роли, каждый со своими сильными и слабыми сторонами. «Хотя обычные метода определения погоды и модели глубокого обучения уже имеют много общего в том, как они функционируют, хотя и представляют собой два разных инструмента, которые служат разным целям, и мы можем использовать оба», - говорит он.

Область исследований ИИ развивается так быстро, что Уиммерс считает, что оставаться в курсе событий может быть проблемой. Тем не менее, его работа находится на переднем крае использования ИИ в качестве инструмента для улучшения прогнозирования погоды.

Директор CIMSS Тристан Л'Экуайер считает, что ИИ играет все более важную роль в ряде областей науки об атмосфере, таких как определение суровой погоды, выявление турбулентности, прогнозирование снега с эффектом озера, измерение движения воздуха и отслеживание движения морского льда.

«Теперь, когда спутниковые изображения с высоким разрешением снимаются каждые несколько минут и генерируют огромные объемы данных для анализа, возникает необходимость в разработке новых способов извлечения из них практической информации», - говорит Л'Экуайер. «В следующем десятилетии ИИ будет играть критически важную роль в переходе от сбора данных к производству и действиям в области информации, и CIMSS позиционирует себя, как будущую главу этой отрасли в следующем году».