Maskinlæring og dens radikale anvendelse til forudsigelse af svær vejr

I det sidste årti, kunstig intelligens ("AI") applikationer er eksploderet på tværs af forskellige forskningssektorer, herunder computersyn, kommunikation og medicin. Nu, den hastigt udviklende teknologi sætter sit præg i vejrudsigelse.

Områderne for atmosfærisk videnskab og satellitmeteorologi er ideelt egnede til opgaven, tilbyder en rig træningsbane, der er i stand til at fodre et AI-systems endeløse appetit på data. Anthony Wimmers er en videnskabsmand ved University of Wisconsin-Madison Cooperative Institute for Meteorological Satellite Studies (CIMSS), som har arbejdet med AI-systemer i de sidste tre år. Hans seneste forskning undersøger, hvordan en AI-model kan hjælpe med at forbedre kortsigtede prognoser (eller "nowcasting") af orkaner.

Kendt som DeepMicroNet, modellen bruger dyb læring, en type neuralt netværk arrangeret i "dybe" interagerende lag, der finder mønstre i et datasæt. Wimmers udforsker, hvordan et AI-system som DeepMicroNet kan supplere og understøtte konventionelle vejrudsigelsessystemer.

I et papir fra 2019 offentliggjort i tidsskriftet Månedlig vejroversigt , Wimmers og kolleger Chris Velden, af CIMSS, og Josh Cossuth, fra U.S. Naval Research Lab, beskrive en måde at udnytte dyb læring til at estimere orkanstyrke baseret på data fra bestemte vejrsatellitter. Når de passerer over hovedet, disse satellitter indsamler nøgleoplysninger om en orkans struktur gennem målinger i mikrobølgedelen af ​​det elektromagnetiske spektrum. Med 30 års mikrobølgedata, papiret demonstrerer, hvordan modellen kan estimere - med stigende nøjagtighed - en tropisk cyklons intensitet.

"Resultaterne fra undersøgelsen viser meget lovende, ikke kun for modellens nucasting nøjagtighed, men også fordi disse resultater kom fra data, der ikke typisk bruges til at estimere orkanens intensitet, " siger Wimmers.

Hurtige analyser som disse kan give prognosemagere vital information om en storms adfærd og hvad de kan forvente, såsom om stormen vil gennemgå øjenvægsudskiftninger eller hurtig intensivering.

Når man forudsiger en orkans maksimale vedvarende vind, DeepMicroNets resultater adskilte sig fra den historiske rekord af prognosemagers estimerede værdier med omkring 16 miles i timen. DeepMicroNets resultater blev forbedret, imidlertid, når datasættene var begrænset til data målt direkte af fly. Derefter, DeepMicroNet var slukket med mindre end 11,5 mph. Til sammenligning, estimater ved hjælp af state-of-the-art metoder falder typisk omkring 10 miles i timen.

Wimmers satte sig for at besvare tre hovedspørgsmål. Først, han ønskede at bestemme, hvor godt modellen klarede sig sammenlignet med avancerede metoder til at forudsige orkanens intensitet. Sekund, det var vigtigt at vurdere, om resultaterne var meningsfulde og fremmede meteorologividenskaben. Til sidst, han ønskede at demonstrere nye måder at inkorporere mindre almindeligt anvendte data såsom mikrobølgebilleder i forudsigelsesmodeller, samtidig med at det giver værdifuld indsigt i en storm.

"Grunden til, at deep learning-systemer er vokset så meget inden for satellitmeteorologi, er fordi de er klargjorte til disse typer applikationer, hvor du har titusindvis af billeder tilgængelige til træning af en model, " siger Wimmers. "Det gælder også i situationer, hvor du har brug for et hurtigt svar."

Wimmers designede sit eksperiment for at teste, hvor godt et AI-system kunne gengive en orkans historie. De historiske orkanintensiteter kom fra en kombination af prognosemagers skøn baseret på andre satellitdata og flyobservationer. Uden kendskab til datatyperne, DeepMicroNets opgave var at estimere intensiteter fra en stor, uafhængigt datasæt af mikrobølgebilleder målt i 37 GHz- og 89 GHz-frekvenserne.

"De to frekvenser er nyttige til at afsløre forskellige orkanstrukturer, " siger Wimmers. "Deres relativt grove opløsning betyder også, at de hurtigt kan analyseres og behandles i en computer."

Wimmers' AI-program er i stand til at køre gennem mere end 50, 000 orkanbilleder på under to timer. Det blev kodet ved hjælp af Python, et programmeringssprog, der er blevet standarden for kraftfulde maskinlæringsapplikationer. Wimmers siger, at disse systemer når maksimal ydeevne efter at have kørt mindst titusindvis af eksempler. Gennem gentagen bearbejdning af træningsbilleder, systemet viste, at det kunne detektere og huske mønstre i en orkans struktur.

DeepMicroNet leverede de endelige resultater efter en valideringstest med en mindre delmængde på kun 3, 000 billeder. Her anvendte den, hvad den lærte under træning, og vurderede nøjagtigt intensiteten af ​​de tropiske cykloner. I fortiden, at køre modeller med store datasæt kan tage så lang tid som en uge at beregne. I dag, selvom, fremskridt inden for databehandling har reduceret en træningsopgave som DeepMicroNets til 90 minutter.

"Disse resultater var en lovende demonstration af den slags ting, vi kan gøre med maskinlæring i fremtiden, " siger Wimmers. "Vi kan fortolke resultaterne af deep learning netværk for at forbedre vores fysiske modeller. Vi kan finde mønstre, der plejede at være uden for vores rækkevidde, fordi de var for komplicerede."

Mens deep learning-systemer kan have kraftfulde forudsigelsesevner, deres design har en iboende ulempe. Uden for AI-samfundet, ordene "black box" bruges ofte til at beskrive AI-systemer og deres resultater. En kilde til langvarig debat, "sort boks" refererer til hvor svært det kan være, til tider, at spore den vej, en AI-model gik for at nå sin konklusion. Det udgør et stort problem for det videnskabelige samfund - et der er bygget på gennemsigtighed og reproducerbarhed.

Wimmers hævder, at på trods af nogle af AI's uigennemsigtige metoder, forskere har meget at vinde ved at sondere AI-systemer og deres processer.

"På den ene side, en billedbehandlingsmodel for dyb læring kan fortælle dig en hel del om sig selv baseret på dens ydeevne, eller hvor den fokuserede sine bestræbelser, og hvilke områder af et billede var af størst betydning, " siger Wimmers. "Men på den anden side, vi har ikke et godt system til at oversætte al den information til dens grundlæggende fysik og fortolke den for at fortælle os, hvad der sker i den naturlige verden."

Mere traditionelle vejrmodeller er baseret på en række ligninger og datasæt afledt af atmosfærens fysik. Derimod et AI-system ignorerer ofte eksisterende antagelser og fokuserer udelukkende på at finde mønstre i dataene. I det bedste tilfælde, AI-systemet inkorporerer naturlige processer i atmosfæren, som tidligere blev overset af traditionelle modeller.

AI-fundene, derefter, kunne bruges til at supplere nuværende vejrmodeller og afsløre tendenser, der er værd at undersøge nærmere. Wimmers ser begge tilgange spille komplementære roller, hver med deres styrker og svagheder.

"Mens (konventionelle vejrmodeller) og deep learning-modeller allerede deler mange ligheder i, hvordan de fungerer, de er to forskellige værktøjer, der tjener forskellige formål, og vi kan bruge begge dele, " han siger.

AI-forskningen udvikler sig så hurtigt, at Wimmers siger, at det kan være en udfordring at holde sig aktuel. Imidlertid, hans arbejde er på forkant med at bruge kunstig intelligens som et værktøj til at forbedre vejrudsigter. CIMSS-direktør Tristan L"Ecuyer ser, at kunstig intelligens spiller en stadig vigtigere rolle for en række områder inden for atmosfærisk videnskab, såsom at identificere hårdt vejr, identificere turbulens, forudsige sne-effekt på søen, måling af luftbevægelse, og sporing af havis bevægelser.

"Nu hvor højopløselige satellitbilleder optages med få minutters mellemrum og genererer enorme mængder af data, der skal analyseres, der er behov for at udvikle innovative nye måder at udtrække praktisk information fra dem, " siger L"Ecuyer. "AI kommer til at spille en afgørende rolle i overgangen fra dataindsamling til informationsproduktion og handling i det næste årti, og CIMSS positionerer sig til at lede denne indsats i de kommende år."