Deep learning forudsiger nøjagtigt hedebølger, kuldeperioder

Rice University ingeniører har skabt et deep learning computersystem, der lærte sig selv præcist at forudsige ekstreme vejrbegivenheder, som hedebølger, op til fem dage i forvejen med minimal information om aktuelle vejrforhold.

Ironisk, Rice's selvlærende "kapsel neurale netværk" bruger en analog metode til vejrudsigt, som computere gjorde forældede i 1950'erne. Under træning, den undersøger hundredvis af kortpar. Hvert kort viser overfladetemperaturer og lufttryk i fem kilometers højde, og hvert par viser disse forhold med flere dages mellemrum. Træningen inkluderer scenarier, der producerede ekstremt vejr - forlængede varme og kolde perioder, der kan føre til dødelige hedebølger og vinterstorme. Når først du er blevet trænet, systemet var i stand til at undersøge kort, det ikke tidligere havde set, og lave fem-dages prognoser for ekstremt vejr med 85 % nøjagtighed.

Med videreudvikling, systemet kunne fungere som et tidligt varslingssystem for vejrsultere, og som et værktøj til at lære mere om de atmosfæriske forhold, der fører til ekstremt vejr, sagde Rice's Pedram Hassanzadeh, medforfatter til en undersøgelse om systemet offentliggjort online i denne uge i American Geophysical Union's Journal of Advances in Modeling Earth Systems.

Nøjagtigheden af ​​dag-til-dag vejrudsigter er blevet støt forbedret siden fremkomsten af ​​computerbaseret numerisk vejrudsigt (NWP) i 1950'erne. Men selv med forbedrede numeriske modeller af atmosfæren og mere kraftfulde computere, NWP kan ikke pålideligt forudsige ekstreme begivenheder som de dødelige hedebølger i Frankrig i 2003 og i Rusland i 2010.

"Det kan være, at vi har brug for hurtigere supercomputere til at løse de styrende ligninger for de numeriske vejrudsigelsesmodeller i højere opløsninger, " sagde Hassanzadeh, en assisterende professor i maskinteknik og i Jorden, miljø- og planetvidenskab på Rice. "Men fordi vi ikke fuldt ud forstår fysikken og forløberforholdene for ekstreme vejrmønstre, det er også muligt, at ligningerne ikke er helt nøjagtige, og de vil ikke producere bedre prognoser, uanset hvor meget computerkraft vi sætter ind."

I slutningen af ​​2017 Hassanzadeh og studiemedforfattere og kandidatstuderende Ashesh Chattopadhyay og Ebrahim Nabizadeh besluttede at tage en anden tilgang.

"Når du får disse hedebølger eller kuldeperioder, hvis du ser på vejrkortet, du vil ofte se en mærkelig adfærd i jetstrømmen, unormale ting som store bølger eller et stort højtrykssystem, der slet ikke bevæger sig, " sagde Hassanzadeh. "Det virkede som om dette var et mønstergenkendelsesproblem. Så vi besluttede at prøve at omformulere ekstrem vejrudsigt som et mønstergenkendelsesproblem snarere end et numerisk problem."

Deep learning er en form for kunstig intelligens, hvor computere er "trænet" til at træffe menneskelignende beslutninger uden at være eksplicit programmeret til dem. Grundpillen i dyb læring, det konvolutionelle neurale netværk, udmærker sig ved mønstergenkendelse og er nøgleteknologien til selvkørende biler, ansigtsgenkendelse, taletransskription og snesevis af andre fremskridt.

"Vi besluttede at træne vores model ved at vise den en masse trykmønstre i de fem kilometer over Jorden, og fortæller det, for hver enkelt, "Denne forårsagede ikke ekstremt vejr. Denne forårsagede en hedebølge i Californien. Denne forårsagede ikke noget. Denne forårsagede en kuldeperiode i det nordøstlige, '" sagde Hassanzadeh. "Ikke noget specifikt som Houston versus Dallas, men mere en følelse af det regionale område."

På det tidspunkt, Hassanzadeh, Chattopadhyay og Nabizadeh var næppe klar over, at analoge prognoser engang havde været en grundpille i vejrudsigten og endda havde en stor rolle i D-Day-landingerne i Anden Verdenskrig.

"En måde forudsigelse blev gjort før computere er, at de ville se på tryksystemmønsteret i dag, og gå derefter til et katalog over tidligere mønstre og sammenlign og prøv at finde en analog, et meget lignende mønster, " sagde Hassanzadeh. "Hvis den førte til regn over Frankrig efter tre dage, prognosen ville være for regn i Frankrig."

Han sagde, at en af ​​fordelene ved at bruge dyb læring er, at det neurale netværk ikke behøvede at blive fortalt, hvad de skulle kigge efter.

"Det gjorde ikke noget, at vi ikke helt forstår forløberne, fordi det neurale netværk lærte at finde disse forbindelser selv, " sagde Hassanzadeh. "Det lærte, hvilke mønstre der var kritiske for ekstremt vejr, og det brugte dem til at finde den bedste analog."

For at demonstrere et proof-of-concept, holdet brugte modeldata taget fra realistiske computersimuleringer. Holdet havde rapporteret tidlige resultater med et konvolutionelt neuralt netværk, da Chattopadhyay, hovedforfatteren af ​​den nye undersøgelse, hørt om kapsel neurale netværk, en ny form for dyb læring, der debuterede med fanfare i slutningen af ​​2017, til dels fordi det var Geoffrey Hintons idé, grundlæggeren af ​​konvolutionel neural netværksbaseret dyb læring.

I modsætning til konvolutionelle neurale netværk, kapsel neurale netværk kan genkende relative rumlige relationer, som er vigtige i udviklingen af ​​vejrmønstre.

"De relative positioner af trykmønstre, de op- og nedture du ser på vejrkort, er nøglefaktoren for at bestemme, hvordan vejret udvikler sig, " sagde Hassanzadeh.

En anden væsentlig fordel ved kapselneurale netværk var, at de ikke kræver så meget træningsdata som konvolutionelle neurale netværk. Der er kun omkring 40 år med vejrdata af høj kvalitet fra satellittiden, og Hassanzadehs team arbejder på at træne sit kapsel-neurale netværk på observationsdata og sammenligne dets prognoser med de avancerede NWP-modeller.

"Vores umiddelbare mål er at forlænge vores forventede leveringstid til mere end 10 dage, hvor NWP-modeller har svagheder, " han sagde.

Selvom der skal meget mere arbejde til, før Rices system kan indarbejdes i operationel prognose, Hassanzadeh håber, at det i sidste ende kan forbedre prognoserne for hedebølger og andet ekstremt vejr.

"Vi antyder ikke, at dette i sidste ende vil erstatte NWP, " sagde han. "Men dette kan være en nyttig guide til NWP. Beregningsmæssigt, dette kunne være en super billig måde at give lidt vejledning på, en tidlig advarsel, der giver dig mulighed for at fokusere NWP-ressourcer specifikt, hvor ekstremt vejr er sandsynligt."

Hassanzadeh sagde, at hans team også er interesseret i at finde ud af, hvilke mønstre kapslens neurale netværk bruger til at lave sine forudsigelser.

"Vi ønsker at udnytte ideer fra forklarlig AI (kunstig intelligens) til at fortolke, hvad det neurale netværk gør, " sagde han. "Dette kan hjælpe os med at identificere forløberne for ekstreme vejrmønstre og forbedre vores forståelse af deres fysik."