Ansigtsgenkendelse teknik kunne forbedre haglprognoser

Den samme kunstige intelligens teknik, der typisk bruges i ansigtsgenkendelsessystemer, kan hjælpe med at forbedre forudsigelse af haglbyger og deres sværhedsgrad, ifølge en ny undersøgelse fra National Center for Atmospheric Research (NCAR).

I stedet for at nulstille funktionerne i et individuelt ansigt, forskere uddannede en deep learning -model kaldet et konvolutionsnervalt neuralt netværk til at genkende træk ved individuelle storme, der påvirker dannelsen af ​​hagl, og hvor store haglstenene vil være, som begge er notorisk svære at forudsige.

De lovende resultater, offentliggjort i American Meteorological Society's Månedlig vejrudsigt , fremhæve vigtigheden af ​​at tage højde for hele stormens struktur, noget, der har været udfordrende at gøre med eksisterende teknikker til prognoser for hagl.

"Vi ved, at strukturen af ​​en storm påvirker, om stormen kan producere hagl, "sagde NCAR -videnskabsmanden David John Gagne, der ledede forskergruppen. "En supercelle er mere tilbøjelig til at producere hagl end en squall line, for eksempel. Men de fleste haglprognosemetoder ser bare på et lille udsnit af stormen og kan ikke skelne den bredere form og struktur. "

Forskningen blev støttet af National Science Foundation, som er NCAR's sponsor.

"Hagl - især stor hagl - kan have betydelige økonomiske konsekvenser for landbrug og ejendom, "sagde Nick Anderson, en NSF -programansvarlig. "Brug af disse dybe læringsværktøjer på unikke måder vil give yderligere indsigt i de forhold, der favoriserer stor hagl, forbedring af modelforudsigelser. Dette er en kreativ, og meget nyttig, sammenlægning af videnskabelige discipliner. "

Stormens form

Hvorvidt en storm frembringer hagl, afhænger af utallige meteorologiske faktorer. Luften skal være fugtig tæt på landoverfladen, men tørre højere oppe. Frysningsniveauet i skyen skal være relativt lavt til jorden. Stærke opløftninger, der holder haglen højt nok til at blive større, er afgørende. Ændringer i vindretning og hastighed i forskellige højder i stormen ser også ud til at spille en rolle

Men selv når alle disse kriterier er opfyldt, størrelsen på de producerede haglsten kan variere bemærkelsesværdigt, afhængig af stien haglstenene bevæger sig gennem stormen og forholdene langs den vej. Det er her stormstrukturen spiller ind.

"Stormens form er virkelig vigtig, "Sagde Gagne." Tidligere har vi haft en tendens til at fokusere på enkelte punkter i en storm eller lodrette profiler, men den vandrette struktur er også virkelig vigtig. "

Nuværende computermodeller er begrænsede i, hvad de kan se på grund af den matematiske kompleksitet, der skal til for at repræsentere de fysiske egenskaber ved en hel storm. Maskinindlæring tilbyder en mulig løsning, fordi den omgår behovet for en model, der rent faktisk løser al den komplicerede stormfysik. I stedet, maskinlærings neurale netværk er i stand til at indtage store mængder data, søge efter mønstre, og lære sig selv, hvilke stormfunktioner der er afgørende for at slå fra for nøjagtigt at forudsige hagl.

Til det nye studie, Gagne vendte sig til en type maskinlæringsmodel designet til at analysere visuelle billeder. Han trænede modellen ved hjælp af billeder af simulerede storme, sammen med oplysninger om temperatur, tryk, vindhastighed, og retning som input og simuleringer af hagl som følge af disse betingelser som output. Vejrsimuleringerne blev oprettet ved hjælp af den NCAR-baserede Weather Research and Forecasting model (WRF).

Maskinindlæringsmodellen fandt derefter ud af, hvilke træk ved stormen der er korreleret med, om det hagler eller ikke, og hvor store haglstenene er. Efter at modellen blev trænet og derefter demonstreret, at den kunne lave vellykkede forudsigelser, Gagne kiggede for at se, hvilke aspekter af stormen modellens neurale netværk syntes var de vigtigste. Han brugte en teknik, der i det væsentlige kørte modellen baglæns for at lokalisere kombinationen af ​​stormegenskaber, der skulle samles for at give den højeste sandsynlighed for alvorlig hagl.

Generelt, modellen bekræftede de stormfunktioner, der tidligere har været knyttet til hagl, Sagde Gagne. For eksempel, storme, der har et lavere end gennemsnittet tryk nær overfladen og et højere end et gennemsnitligt tryk nær stormtoppen (en kombination, der skaber stærkt opadgående), er mere tilbøjelige til at producere kraftig hagl. Sådan er storme med vind, der blæser fra sydøst nær overfladen og fra vest på toppen. Storme med en mere cirkulær form vil også højst sandsynligt producere hagl.

Bygger på tilfældige skove, test med faktiske storme

Denne forskning bygger på Gagnes tidligere arbejde ved hjælp af en anden slags maskinindlæringsmodel - kendt som en tilfældig skov - for at forbedre forudsigelse af hagl. I stedet for at analysere billeder, tilfældige skovmodeller stiller en række spørgsmål, meget gerne et rutediagram, som er beregnet til at bestemme sandsynligheden for hagl. Disse spørgsmål kan omfatte, om dugpunktet, temperaturer, eller vind er over eller under en bestemt tærskel. Hvert "træ" i modellen stiller små varianter til spørgsmålene for at komme til et uafhængigt svar. Disse svar beregnes derefter i gennemsnit over hele "skoven, "giver en forudsigelse, der er mere pålidelig end ethvert individuelt træ.

Til den forskning, udgivet i 2017, Gagne brugte faktiske stormobservationer for input og radar-estimerede haglstørrelser for output til at træne modellen. Han fandt ud af, at modellen kunne forbedre forudsigelse af hagl med så meget som 10%. Maskinindlæringsmodellen er nu blevet kørt operationelt i løbet af de sidste flere fjedre for at give forudsigere på jorden adgang til flere oplysninger, når der foretages haglforudsigelser. Gagne er i gang med at kontrollere, hvordan modellen klarede sig i løbet af de få sæsoner.

Det næste trin for den nyere maskinlæringsmodel er også at begynde at teste den ved hjælp af stormobservationer og radar-estimeret hagl, med målet om også at overføre denne model til operationel brug. Gagne samarbejder med forskere ved University of Oklahoma om dette projekt.

"Jeg tror, ​​at denne nye metode har meget løfte om at hjælpe prognosemaskiner med bedre at forudsige et vejrfænomen, der kan forårsage alvorlig skade, "Gagne sagde." Vi er begejstrede for at fortsætte med at teste og forfine modellen med observationer af virkelige storme. "