Kunstig intelligens bringer bedre orkanforudsigelser

Orkanen Ida var blandt de mest intense og skadelige orkaner i Louisianas historie. Den voldsomme storm steg til en kategori 1 -orkan fredag, 27. august Det klatrede derefter yderligere to kategorier på to dage, hoppe fra kategori 3 til 4 på kun en time.

Heldigvis, prognosemodeller hjælper os med at forudsige, hvornår, hvor, og hvor stærkt orkaner kan ramme. Men en så hurtig intensivering - Ida er det seneste eksempel - kan undvige forudsigelser fra selv de bedste modeller. Nøjagtigt at forudsige de korte vinduer, hvor disse voldsomme storme stiger og styrkes, er en dvælende blind vinkel i orkanprognosefællesskabet.

Nu, takket være en ny model udviklet af forskere ved Department of Energy's Pacific Northwest National Laboratory, bedre forudsigelse af orkanintensitet i både den nærmeste fremtid og under fremtidige klimascenarier er inden for rækkevidde. Ved hjælp af kunstig intelligens teknikker, teamet skabte en model, der kan, gennemsnitlig, mere præcist forudsige orkanintensitet i forhold til modeller, der bruges på nationalt plan. Og det kan køre på en kommerciel bærbar computer.

Udfyldning af et hul i orkanforudsigelser

Nogle orkanmodeller sporer statistiske forhold mellem stormadfærd og lokaliteter. Andre beregner komplekse bevægelser ved spil i Jordens atmosfære. Når de er koblet sammen, sådanne modeller hjælper hændelsesbefalingsmænd med at iscenesætte ressourcer som redningshelikoptere eller både, så kystsamfund er bedre forberedt til at navigere i disse naturkatastrofer.

Men, som enhver simulering af et meget komplekst system, disse modeller laver fejl.

"Der er så mange eksempler på, at orkanprognoser mislykkes, "sagde PNNL Jordforsker Karthik Balaguru, der var medforfatter til undersøgelsen. "Hvis du fortæller alle, at stormen vil være en kategori 2, men pludselig bliver det en kategori 4, det er selvfølgelig et kæmpe problem. "

For at imødekomme behovet for bedre intensitetsforudsigelser, Balaguru og hans medforfattere kiggede på dyb læring:en type maskinlæring, hvor forskere leverer information til algoritmer, der, I dette tilfælde, opdage sammenhænge mellem orkanadfærd og klimafaktorer som varme lagret i havet, vindhastighed, og lufttemperatur. Algoritmerne danner derefter forudsigelser om, hvilken vej en storm kan tage, hvor stærk den kunne blive, og hvor hurtigt den kunne intensivere.

Den nye model, sagde PNNL -datavidenskabsmand Wenwei Xu, der ledede undersøgelsen, bygger på de samme data som andre orkanmodeller. Men det adskiller sig i brugen af ​​neurale netværk:et system af kunstige neuroner, der efterligner beregningen af ​​den menneskelige hjerne, give modellen mulighed for at forudsige.

"Der har været en eksplosion af modelleringsevner muliggjort ved dyb læring siden omkring 2015, "sagde Xu." Vi har set machine learning integreret på andre områder, men ikke i operationelle orkanprognoser. "Kun en håndfuld undersøgelser har anvendt kunstig intelligens teknikker til at danne forudsigelser omkring orkaner.

Forstå orkaner i en varmere verden

Teamet er mest begejstret over modellens evne til at projicere, hvordan orkanadfærd kan ændre sig i forskellige klimascenarier. National Oceanic and Atmospheric Administration forudsiger, at orkanintensiteterne vil stige, gennemsnitlig, med en til 10 procent i en varmere fremtid, bringer større destruktiv kraft med sig, ifølge modeller, der projekterer to grader celsius af global opvarmning.

Tidligere forskning foretaget af Balaguru og andre PNNL -forskere viste, at store orkaner intensiveres stærkere og hurtigere nu end i de sidste 30 år. Den nye model kan generere tusindvis af simulerede orkaner, sagde Balaguru, giver chancen for bedre at forstå, hvordan risiko udvikler sig i en varmere verden.

"Hvis du kender havets tilstand og atmosfæren i dag, "sagde Balaguru, "og du kender stormens tilstand, kan du forudsige, hvad det vil være 24 til 48 timer senere? Hvad med 30 år senere, når der er meget global opvarmning, og vi har et andet klima? Det er et andet problem, et andet sæt spørgsmål, og vores model kan løse dem. "

Denne magt er også med til at hjælpe med at løse et mangeårigt datamangelproblem inden for prognosefællesskabet. Kun 8 til 10 orkaner rammer på et år, sagde Balaguru, og robuste registreringer af orkandata begyndte først, da satellitbrug blev udbredt for omkring 40 år siden. At producere mere simulerede orkaner betyder, at flere data er tilgængelige for at hjælpe med at videreudvikle en grundlæggende forståelse af orkanens adfærd.

Testteknikker

For at undersøge modellens forudsigelseskraft, teamet gennemførte tests for at simulere en realtids operationel prognose. Først, de trænede den nye model ved at fodre den med kendte klimadata fra tidligere orkaner, op til 2018. Modellen dannede derefter forudsigelser for år 2019 og 2020 baseret på, hvad den havde lært af tidligere data. Forskerne sammenlignede den nye models forudsigelser med flere andre prognosemodeller, der blev brugt på nationalt plan, ved at opregne hver models forudsigelsesfejl.

Den nye teknik reducerede intensitetsforudsigelsesfejl med hele 22 procent sammenlignet med konventionelle modeller. "Selv en forbedring på fem procent er en stor ting, "sagde Balaguru. I gennemsnit er han tilføjede, fejlstørrelsen reduceres i konventionelle orkanmodeller med cirka en procent hvert år. Den nye teknik forudsagde også korrekt flere tilfælde af hurtig intensivering end sammenligningsmodellerne.

Den nye teknik tager betydeligt mindre computerkraft end mange andre modeller - så lidt, at den kan køre på en kommerciel bærbar computer, giver adgang til dem, der ikke arbejder med højtydende computere.

Dette arbejde blev understøttet af PNNL's Deep Learning for Scientific Discovery Science Agile Investment, samt MultiSector Dynamics -programområdet i DOE's Office of Science. Yderligere støtte blev ydet af programområdet Regional og Global Model Analysis inden for Office of Science. Den modelkode, der er anvendt i undersøgelsen, er tilgængelig for offentligt brug. Forfatterne planlægger at dele modelens output med andre grupper inden for kollaborativ orkanforskning.

Studiet, "Eksperimenter med dyb læring til prognoser for intensitet i tropiske cykloner, "hvor denne model er beskrevet, blev offentliggjort i augustnummeret af Weather and Forecasting, et tidsskrift for American Meteorological Society.