Brug af kunstig intelligens til bedre at forudsige hårdt vejr

Ved vejrudsigt, meteorologer bruger en række modeller og datakilder til at spore former og bevægelser af skyer, der kan indikere alvorlige storme. Imidlertid, med stadigt mere ekspanderende vejrdatasæt og truende deadlines, det er næsten umuligt for dem at overvåge alle stormformationer - især mindre-skala - i realtid.

Nu, der er en computermodel, der kan hjælpe prognosemænd med at genkende potentielle alvorlige storme hurtigere og mere præcist, takket være et team af forskere ved Penn State, AccuWeather, Inc., og universitetet i Almería i Spanien. De har udviklet en ramme baseret på lineære klassifikatorer for maskinlæring – en slags kunstig intelligens – der registrerer rotationsbevægelser i skyer fra satellitbilleder, som ellers kunne være gået ubemærket hen. Denne AI-løsning kørte på Bridges supercomputer i Pittsburgh Supercomputing Center.

Steve Wistar, senior retsmedicinsk meteorolog hos AccuWeather, sagde, at det at have dette værktøj til at pege sit blik mod potentielt truende formationer kunne hjælpe ham med at lave en bedre prognose.

"Den allerbedste prognose inkorporerer så mange data som muligt, " sagde han. "Der er så meget at tage ind, da atmosfæren er uendelig kompleks. Ved at bruge de modeller og de data, vi har [foran os], vi tager et øjebliksbillede af atmosfærens mest komplette udseende."

I deres undersøgelse, forskerne arbejdede sammen med Wistar og andre AccuWeather-meteorologer for at analysere mere end 50, 000 historiske amerikansk vejrsatellitbilleder. I dem, eksperter identificerede og mærkede formen og bevægelsen af ​​"kommaformede" skyer. Disse skymønstre er stærkt forbundet med cyklonformationer, som kan føre til alvorlige vejrbegivenheder, herunder hagl, tordenvejr, kraftig vind og snestorme.

Derefter, ved hjælp af computersyn og maskinlæringsteknikker, forskerne lærte computere automatisk at genkende og detektere kommaformede skyer i satellitbilleder. Computerne kan så hjælpe eksperter ved i realtid at påpege, hvor i et hav af data, kunne de fokusere deres opmærksomhed for at opdage begyndelsen af ​​hårdt vejr.

"Fordi den kommaformede sky er en visuel indikator for alvorlige vejrbegivenheder, vores ordning kan hjælpe meteorologer med at forudsige sådanne begivenheder, " sagde Rachel Zheng, en ph.d.-studerende ved College of Information Sciences and Technology i Penn State og hovedforskeren på projektet.

Forskerne fandt ud af, at deres metode effektivt kan detektere kommaformede skyer med 99 procents nøjagtighed, med et gennemsnit på 40 sekunder pr. forudsigelse. Det var også i stand til at forudsige 64 procent af alvorlige vejrbegivenheder, udkonkurrerer andre eksisterende metoder til detektion af hårdt vejr.

"Vores metode kan fange de fleste menneskemærkede, kommaformede skyer, sagde Zheng. Desuden, vores metode kan detektere nogle kommaformede skyer, før de er fuldt dannede, og vores detektioner er nogle gange tidligere end menneskelig øjegenkendelse."

"Vores virksomheds kald er at redde liv og beskytte ejendom, " tilføjede Wistar. "Jo mere avanceret varsel til folk, der ville blive ramt af en storm, jo bedre leverer vi den service. Vi forsøger at få den bedste information ud så tidligt som muligt."

Dette projekt forbedrer tidligere arbejde mellem AccuWeather og en College of IST forskningsgruppe ledet af professor James Wang, der er afhandlingsrådgiver for Zheng.

"Vi erkendte, da vores samarbejde begyndte [med AccuWeather i 2010], at en væsentlig udfordring for meteorologer og klimatologer var at få mening i den enorme og stadigt stigende mængde data, der genereres af jordobservationssatellitter, radarer og sensornetværk, " sagde Wang. "Det er vigtigt at få computeriserede systemer til at analysere og lære af dataene, så vi kan levere rettidig og korrekt fortolkning af dataene i tidsfølsomme applikationer såsom vejrudsigter for hårdt vejr."

Han tilføjede, "Denne forskning er et tidligt forsøg på at vise gennemførligheden af ​​kunstig intelligens-baseret fortolkning af vejrrelateret visuel information til forskersamfundet. Mere forskning for at integrere denne tilgang med eksisterende numeriske vejrforudsigelsesmodeller og andre simuleringsmodeller vil sandsynligvis lave vejrudsigten mere præcis og nyttig for folk."

Afsluttede Wistar, "Fordelen [ved denne forskning] er at henlede opmærksomheden fra en meget travl prognosemand på noget, der ellers kan være blevet overset."