DeepMicroNet:  спрогнозирует интенсивность наступающего урагана и шторма

DeepMicroNet: спрогнозирует интенсивность наступающего урагана и шторма

В последнее десятилетие приложения искусственного интеллекта (ИИ) активно развивались в различных исследовательских секторах, включая компьютерное зрение, связь и медицину. Сейчас быстроразвивающиеся технологии вносят свой вклад в прогнозирование погоды.

Наука об атмосфере и спутниковой метеорологии идеально подходит для решения этой задачи, предлагая богатую тренировочную площадку, способную обеспечить стремление системы искусственного интеллекта к данным.

Энтони Уиммерс (Anthony Wimmers), ученый из University of Wisconsin–Madison Cooperative Institute for Meteorological Satellite Studies (CIMSS), работает с системами искусственного интеллекта в течение последних трех лет. Его последние исследования о том, как модель искусственного интеллекта может усовершенствовать краткосрочное прогнозирование (или «прогнозирование текущей погоды») ураганов.

Эта модель, известная как DeepMicroNet, тип нейронной сети, интегрированной в «глубокие» взаимодействующие слои, которые находят шаблоны в наборе данных. Уиммерс исследует, как система искусственного интеллекта, такая как DeepMicroNet, может дополнять и поддерживать обычные системы прогнозирования погоды.

В статье, опубликованной в журнале Monthly Weather Review, Уиммерс и его коллеги Крис Велден(Chris Velden) из CIMSS и Джош Коссут (Josh Cossuth) из Военно-морской исследовательской лаборатории США описывают способ использования глубокого обучения для оценки силы ураганов на основе данных от конкретных метеорологических спутников. Когда эти спутники проходят над ураганами, они собирают ключевую информацию об их структуре с помощью измерений в микроволновой части электромагнитного спектра. В статье показано, как такая модель может оценить с возрастающей точностью интенсивность тропического циклона.

«Исследования показывают многообещающие результаты не только в точности прогнозирования модели, но и то, что эти результаты получены из данных, которые обычно не используются для оценки интенсивности ураганов», – отмечает  Уиммерс.

Подобные оперативные анализы могут дать прогнозистам жизненно важную информацию о поведении шторма и о том, чего ожидать – будет ли шторм утихать или быстро усиливаться.

Уиммерс нацеливался ответить на три основных вопроса. Во-первых, он хотел определить, насколько хорошо модель работает по сравнению с современными методами прогнозирования интенсивности ураганов. Во-вторых, важно было оценить, были ли результаты значимыми в развитии науки о метеорологии. Наконец, он хотел продемонстрировать новые способы применения  не часто используемых данных в модели прогнозирования, таких как микроволновые изображения, дающие важную информацию о шторме.

«Причина, по которой системы глубокого обучения активно развиваются в спутниковой метеорологии, заключается в том, что они готовы для приложений такого типа, в которых есть десятки тысяч изображений, доступных для обучения модели», – подчеркнул Уиммерс.

Программа ИИ способна обрабатывать более 50 тысяч изображений ураганов менее чем за два часа. Она была написана с использованием Python, языка программирования, ставшего стандартом для мощных приложений машинного обучения. Уиммерс отметил, что эти системы достигают максимальной производительности после выполнения по меньшей мере десятков тысяч примеров. С помощью повторяющейся обработки обучающих изображений система показала, что может обнаруживать и запоминать закономерности в структуре урагана.

DeepMicroNet выдал окончательные результаты после проверки, используя минимальный набор из трех тысяч изображений. Здесь он применил то, чему научился во время тренировок, и точно оценил интенсивность тропических циклонов. В прошлом запуск моделей с большими наборами данных мог занимать до недели.  Достижения в области вычислительной техники уже сократили учебную задачу до 90 минут.

«Эти результаты стали многообещающей демонстрацией того, что возможно сделать с машинным обучением в будущем, – сказал Уиммерс. – Мы можем интерпретировать результаты сетей глубокого обучения для улучшения наших физических моделей. Можем найти шаблоны, которые раньше были нам недоступны, потому что они были слишком сложными».

Хотя системы глубокого обучения способны иметь мощные прогностические возможности, их дизайн имеет свойственный им недостаток. За пределами сообщества ИИ словосочетание «черный ящик» часто используется для описания систем ИИ и их результатов. Источник продолжительных дебатов – «черный ящик» относится к тому, как иногда бывает трудно проследить путь, по которому модель ИИ пришла к своему выводу. Это представляет собой серьезную проблему для научного сообщества, основанную на прозрачности и воспроизводимости.

Уиммерс утверждает, что, несмотря на некоторые непрозрачные методологии ИИ, исследователи могут извлечь много пользы, исследуя системы ИИ и их процессы. 

«С одной стороны, модель глубокого обучения обработки изображений может рассказать вам немного о себе, основываясь на ее производительности или на том, где она сосредоточила свои усилия и какие области изображения имели наибольшее значение, – обращает внимание Уиммерс. – Но с другой стороны, у нас нет хорошей системы для перевода всей этой информации в ее базовую физику и интерпретации ее, чтобы сказать нам, что происходит в мире природы». 

Более традиционные погодные модели основаны на серии уравнений и наборов данных, полученных из физики атмосферы. Напротив, система ИИ часто игнорирует любые существующие предположения и фокусируется исключительно на поиске закономерностей в данных. В лучшем случае система ИИ включает  естественные процессы в атмосфере, которые ранее игнорировались традиционными моделями.

Таким образом результаты ИИ могут быть использованы для дополнения текущих моделей погоды и выявления тенденций, заслуживающих дальнейшего изучения. Уиммерс видит, что оба подхода играют взаимодополняющие роли, каждый со своими сильными и слабыми сторонами.

«Хотя (обычные модели погоды) и модели глубокого обучения уже имеют много общего в том, как они функционируют, они представляют собой два разных инструмента, которые служат разным целям, и мы можем использовать оба», – отмечает он. 

Область исследований ИИ развивается так быстро, что Уиммерс уверен: оставаться в курсе событий может быть проблематично. Тем не менее, его работа находится на передовом рубеже использования ИИ в качестве инструмента для улучшения прогнозов погоды. Директор CIMSS Тристан Л”Экьюер (Tristan L”Ecuyer) считает, что ИИ играет все более важную роль в ряде областей науки об атмосфере, таких как определение суровой погоды, выявление турбулентности, прогнозирование снега с «эффектом озера», измерение движения воздуха и отслеживание движения морского льда. 

«Теперь, когда спутниковые изображения с высоким разрешением снимаются каждые несколько минут и генерируют огромные объемы данных для анализа, возникает необходимость в разработке новых инновационных способов извлечения из них практической информации, – сказал Тристан Л”Экьюер. – ИИ будет играть решающую роль в переходе от сбора данных к производству информации и действиям в следующем десятилетии, и CIMSS позиционирует себя лидером в этом направлении».

Оставьте свой комментарий