Прогнозирование погоды с помощью машинного обучения — это использование методов искусственного интеллекта для формирования прогноза погоды.
Введение
В течение последних десятилетий системы искусственного интеллекта непрерывно развивались в самых разных областях человеческой деятельности, таких как, компьютерное зрение, связь, медицина. Сегодня эти технологии способны внести свой вклад в прогнозирование погоды.
Прогнозирование погоды с помощью машинного обучения
Энтони Виммерс, специалист из кооперативного института метеорологических исследований (CIMSS) Университета Висконсин-Мэдисон, работающий с системами искусственного интеллекта в течение последних нескольких лет, показал, как модель искусственного интеллекта способна помочь в краткосрочном прогнозировании ураганов.
Эта модель, которая называется Deep Micro Net, применяет глубокое обучение по типу нейронных сетей, организованных в «глубокие» взаимодействующие слои. Они способны обнаруживать шаблоны в совокупности данных. Виммерс долгое время изучал, как система искусственного интеллекта, такая как Deep Micro Net, может дополнить и поддержать стандартные системы прогнозирования погоды.
В статье, которая была опубликована в 2019-ом году в журнале Monthly Weather Review, Виммерс и его коллеги Крис Велден из CIMSS и Джош Коссут из Военно-морской исследовательской лаборатории США описали метод применения глубокого обучения для оценки силы ураганов на базе данных от определённых метеорологических спутников. Когда эти спутники проходят над конкретной территорией, они способны собирать ключевую информацию о структуре урагана при помощи измерений в микроволновой части электромагнитного спектра.
В статье показано, что модель способна оценивать, причём с возрастающей точностью, интенсивность тропических циклонов. Подобные оперативные анализы могут предоставить специалистам по прогнозам ценнейшую информацию о поведении шторма и о том, чего ещё можно от него ожидать. К примеру, о том, будет ли нарастать интенсивность шторма, или наоборот, шторм будет затихать.
Виммерс стремился:
- определить, насколько хорошо модель может работать в сравнении с передовыми методиками прогнозирования интенсивности ураганов.
- выработать оценку того, были ли результаты значимыми и способствовали ли они развитию науки в сфере метеорологии.
- продемонстрировать новые методы включения не так часто используемых информационных данных, таких как микроволновые изображения, в модели прогнозирования, предоставляя ценную информацию о шторме.
Причиной, по которой системы глубокого обучения сильно внедрились в спутниковую метеорологию, является тот факт, что они готовы для приложений такого типа, где имеются десятки тысяч изображений, которые доступны для обучения модели. Виммерс осуществил свой эксперимент, чтобы выполнить проверку того, насколько хорошо система искусственного интеллекта способна справиться с данными об уже прошедших ураганах.
Исторические интенсивности ураганов были найдены из комбинации прогнозов, базирующихся на других спутниковых данных и наблюдениях с самолетов. Не обладая типами данных, система Deep Micro Net осуществляла оценку интенсивностей на базе огромного независимого набора данных микроволновых изображений, которые были измерены на частотах 37 ГГц и 89 ГГц. Виммерс полагает, что эти две частоты полезны для определения разных структур ураганов.
Их сравнительно грубое разрешение также предполагает, что их можно оперативно анализировать и выполнять обработку на компьютере. Программа AI от Wimmers способна обрабатывать более 50 000 изображений ураганов менее чем пару часов. Эта программа была написана с использованием языка программирования Python, который стал стандартом для наиболее значимых приложений машинного обучения. Виммерс считает, что такие системы способны достигнуть максимальной производительности после выполнения анализа по крайней мере десятков тысяч примеров.
При посредстве повторяющейся обработки обучающих изображений система сумела показать, что она способна обнаружить и запомнить закономерности в структурной организации урагана. Deep Micro Net предоставил окончательные итоги после проверки, применяя меньший набор из 3000 изображений. Тут система машинного обучения использовала то, чему она научилась во время тренировок, и точно оценила интенсивность тропических циклонов. А совсем недавно запуск моделей с большими наборами данных мог потребовать до недели времени.
Следует отметить, что сегодня достижения в области вычислительной техники сократили задачу машинного обучения, какой является Deep Micro Net, до 90 минут. Такие результаты являются многообещающей демонстрацией того, что сможет реализовать машинное обучение в будущем, считает Виммерс. Можно интерпретировать результаты сетей глубокого обучения, что позволит улучшить существующие физические модели. Появляется возможность использовать шаблоны, которые раньше считались недоступными, потому что они обладали повышенной сложностью.
Хотя системы глубокого обучения обладают мощными прогностическими возможностями, их дизайну присущи некоторые недостатки. Термин «черный ящик» часто использовался для описания систем искусственного интеллекта и их результатов. Источник длительных споров, «черный ящик», относится к тому, как часто бывает трудно отследить путь, по которому модель искусственного интеллекта сформировала свой окончательный вывод. Это является серьёзной проблемой для научного сообщества, основанной на отсутствии обоснованности.
