Google hævder, at deres kortsigtede vejrudsigter er mere nøjagtige end avancerede modeller

Et team af forskere, der arbejder på Googles Mountain View-forskningscenter, har udviklet et dybtgående læringsbaseret vejrudsigtsværktøj til at forudsige kortsigtede vejrbegivenheder. De har skrevet et papir, der beskriver deres "nowcasting-værktøj, " og har uploadet det til arXiv preprint-serveren. De har også udgivet en nyhed, der beskriver deres arbejde på Google AI-bloggen.

På trods af århundreders indsats, at forudsige vejret er stadig en upræcis videnskab. Den nuværende tilgang involverer at indsamle data fra en række forskellige kilder og analysere dem med supercomputere, der tager timer at levere forudsigelser. Mens moderne vejrudsigter er langt mere nøjagtige end tidligere, de lader stadig meget tilbage at ønske – især lokalt og på kort sigt. I denne nye indsats, teamet hos Google har taget en anden tilgang til kortsigtede prognoser – i stedet for at bruge fysik, de bruger nyere radarkort til at foretage kvalificerede gæt om den nærmeste fremtid.

Googles nye værktøj gør brug af maskinlæring – et konvolutionelt neuralt netværk (CNN) er trænet til at genkende vejrmønstre og foretager derefter forudsigelser baseret på aktuelle vejrforhold. Det resulterende værktøj giver, hvad Google beskriver som "nedbørs-nowcasting" - lokalt baseret, næsten øjeblikkelig, kortsigtede vejrudsigter.

Den type CNN, Google brugte, kaldes et U-Net - et system, der fungerer ved at sortere data i lag, der er arrangeret efter kodningsfase for at øge behandlingshastigheden - iteration bruges til at reducere billedopløsningen, og derefter bruges afkodning til at gendanne billederne tilbage til deres oprindelige beslutning. Systemet analyserer radardata fra de seneste N timer for at forudsige vejrbegivenheder i de kommende N timer – hvor N ligger mellem nul og seks timer. Hele processen tager kun et par minutter. Systemet er i stand til at returnere svar hurtigere end konventionelle prognosesystemer, fordi det ignorerer den involverede fysik – i stedet, den er afhængig af billedbehandling.

Forskerne testede deres værktøj ved at sammenligne det med tre udbredte prognosemodeller. De hævder, at deres prognoser var mere nøjagtige på kort sigt end alle tre modeller, men var mindre præcise på lang sigt.

© 2020 Science X Network