Сегодняшние прогнозы погоды исходят от самых мощных компьютеров на Земле. Огромные машины обрабатывают миллионы вычислений, чтобы решить уравнения для прогнозирования температуры, ветра, осадков и других погодных явлений. Совокупная потребность прогноза в скорости и точности полностью загружает даже самые современные компьютеры.

Будущее может принять радикально иной подход. Сотрудничество между Вашингтонским университетом и Microsoft Research показывает, как искусственный интеллект может анализировать прошлые погодные условия для прогнозирования будущих событий гораздо более эффективно и почти так же точно, чем сегодняшние технологии.

Недавно разработанная глобальная модель погоды основывает свои прогнозы на сводках за последние 40 лет, а не на детальных физических расчетах. Простая, основанная на данных модель может предсказывать погоду по всему земному шару гораздо быстрее и почти так же хорошо, как традиционные модели погоды, делая аналогичные повторяющиеся шаги от одного прогноза к другому, согласно статье, опубликованной этим летом в журнале Advances in Modeling Earth Systems.

«Машинное обучение, по сути, делает классическую версию распознавания образов, — сообщает ведущий автор Джонатан Вейн, который провел исследование в рамках своей докторской степени UW в области атмосферных наук. — Он видит типичный паттерн, распознает, как тот обычно развивается, и решает, что делать, основываясь на примерах, которые он видел за последние 40 лет данных».

Хотя новая модель, что неудивительно, менее точна, чем современные традиционные модели прогнозирования, нынешний ИИ использует примерно в 7000 раз меньше вычислительных мощностей для создания прогнозов для того же количества точек на земном шаре. Меньшая вычислительная работа означает более быстрые результаты.

Это ускорение позволило бы центрам прогнозирования быстро запускать множество моделей с немного отличающимися начальными условиями, методом под названием «ансамблевое прогнозирование», который позволяет прогнозам погоды охватывать диапазон возможных ожидаемых результатов для погодного события — например, где может ударить ураган.

«В этом подходе гораздо больше эффективности; вот что в нем так важно, — отметил Дейл Дурран, профессор UW по атмосферным наукам. — Это может позволить нам решить проблемы предсказуемости, имея модель, которая достаточно быстра, чтобы управлять очень большими ансамблями».

Соавтор исследования Рич Каруана (Rich Caruana) из Microsoft Research первоначально обратился к группе UW с предложением разработать проект с использованием искусственного интеллекта для прогнозирования погоды на основе исторических данных, не полагаясь на физические законы. Вейн проходил курс UW computer science по машинному обучению и решил заняться этим проектом.

«После обучения на прошлых данных о погоде алгоритм ИИ способен придумать отношения между различными переменными, которые физические уравнения просто не могут дать, — сказал Вейн. — Мы можем позволить себе использовать гораздо меньше переменных и, следовательно, сделать модель намного быстрее.»

Чтобы объединить успешные методы ИИ с прогнозированием погоды, команда нанесла шесть граней куба на карту планеты Земля, а затем выровняла их, как в архитектурной бумажной модели. Авторы рассматривали полярные грани по-разному из-за их уникальной роли в погоде, чтобы повысить точность прогноза.

Затем они проверили свою модель, предсказав глобальную высоту давления 500 гектопаскалей, стандартную переменную в прогнозировании погоды, каждые 12 часов в течение целого года. В недавней статье, в которой Вейн был соавтором, WeatherBench был представлен в качестве эталонного теста для основанных на данных прогнозов погоды. В этом тесте прогнозирования, разработанном для трехдневных прогнозов, эта новая модель стала одной из лучших.

Модель, основанная на данных, потребует большей детализации, прежде чем она сможет конкурировать с существующими оперативными прогнозами, говорят авторы, но эта идея обещает быть альтернативным подходом к созданию прогнозов погоды, особенно с учетом растущего количества предыдущих прогнозов и метеорологических наблюдений.

Источник: https://www.sciencedaily.com/releases/2020/12/201215142218.htm

от AI_NEWS

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *