Software-ul de învățare profundă poate ajuta oamenii de știință să prezică modelele meteorologice extreme cu mai multă acuratețe decât să se bazeze doar pe modelele de prognoză meteorologică de astăzi.

Simulările care implică ecuații diferențiale complexe sunt executate pe supercalculatoare pentru a prezice vremea. Precizia prognozelor care utilizează această abordare s-a îmbunătățit de-a lungul timpului, deși este încă dificil să identificăm evenimentele extreme, cum ar fi perioadele de frig sau valurile de căldură.

„Este posibil să avem nevoie de supercalculatoare mai rapide pentru a rezolva ecuațiile guvernamentale ale modelelor numerice de predicție a vremii la rezoluții mai mari”, Pedram Hassanzadeh, profesor asistent la Departamentul de Inginerie Mecanică al Universității Rice din Statele Unite. a spus marti.

„Dar pentru că nu înțelegem pe deplin fizica și condițiile precursoare ale tiparelor meteorologice extreme, este, de asemenea, posibil ca ecuațiile să nu fie complet precise și să nu producă prognoze mai bune, indiferent de cât de multă putere de calcul am pune. în."

Iată unde AI poate fi utilă. În loc să încerce să prezică vremea rezolvând o problemă matematică complexă, oamenii de știință pot apela la învățarea automată.

„Când întâmpinați aceste valuri de căldură sau perioade de frig, dacă vă uitați la harta vremii, veți vedea adesea un comportament ciudat în curentul cu jet, lucruri anormale, cum ar fi valuri mari sau un sistem mare de înaltă presiune care nu se mișcă la toate”, a continuat Hassanzadeh.

„Părea că aceasta era o problemă de recunoaștere a modelelor. Așa că am decis să încercăm să reformulam prognoza meteo extremă ca o problemă de recunoaștere a modelelor, mai degrabă decât o problemă numerică.”

Hassanzadeh și colegii săi au pregătit o rețea neuronală, bazată pe romanul Capsule Network (CapsNet) arhitectură propus în 2017, pentru a prezice evenimentele de frig și căldură cu cinci zile înainte. Modelul a fost precis 80% din timp, conform rezultatelor publicat în Journal of Advances in Modeling Earth Systems.

Cercetătorii au alimentat hărțile modelului AI ale temperaturilor de suprafață și ale condițiilor de presiune a aerului de până la cinci kilometri de altitudine, pe o perioadă de trei zile. Prin inspectarea valorilor, rețeaua neuronală a învățat relația dintre modificările citirilor și dezvoltarea modelelor meteorologice extreme. După procesul de antrenament, ar putea prezice aceste evenimente cu până la cinci zile înainte.

Dovada de concept

Datele au fost împărțite în cinci clasificări ale modelelor de vreme extrem de rece și caldă în diferite regiuni din America de Nord.

Cercetătorii au folosit 750 de mostre pe clasă pentru antrenament și 150 de mostre pe clasă pentru testare. Deși rezultatele inițiale au fost promițătoare, acestea ar trebui luate cu un praf de sare, deoarece toate datele se bazează pe simulări luate din Modelul Sistemului Pământului Comunitar, un proiect care își propune să modeleze sistemul climatic al Pământului în scopuri de cercetare.

„Am folosit date simulate, deși modelul computerizat pe care l-am folosit produce date cu o complexitate foarte asemănătoare cu cea a sistemului climatic real”, a spus Hassanzadeh. Registrul. „Dar avantajul datelor simulate este că avem multe mostre, astfel încât să putem oferi o dovadă de concept pentru cadrul nostru.”

Cercetătorii intenționează să-și testeze modelul folosind date mai realiste înainte de a încerca să utilizeze citiri meteorologice reale luate de la sateliți și baloane meteorologice. Ei speră ca acest lucru să mărească timpul de predicție de la până la cinci zile la zece zile.

„Sunt două modificări pe care trebuie să le facem algoritmului nostru actual. Una este să introduceți mai multe variabile în CapsNet, cum ar fi informații despre umiditatea solului, temperatura suprafeței mării din Oceanele Pacific și Atlantic, informații de la tropice. Și pentru a face CapsNet-ul nostru să țină cont de sfericitatea Pământului [pentru a lua în considerare] periodicitatea în direcția longitudinală și existența polilor”, a explicat Hassanzadeh.

Modelele AI nu ar trebui să înlocuiască cu totul metodele numerice actuale. Hassanzadeh a spus că acestea ar trebui implementate ca un instrument predictiv suplimentar. Rețelele neuronale precum CapsNet sunt mai ieftin de rulat decât simulările cu supercomputer, a spus el, și pot acționa ca un avertisment timpuriu pentru a ghida modele numerice mai detaliate. ®

sponsorizat: Detectarea atacurilor cibernetice ca o întreprindere mică spre medie