DeepMind от Google применяет машинное обучение к прогнозам погоды, побеждая традиционные методы прогнозирования

С момента наблюдения за звездами люди пытались предсказать погоду. Уроки английского в начальных и средних школах также сообщают нам, что большинство поздравлений британцев начинается с погоды. Мне принести зонтик? Как правильно организовать маршрут движения машин в сильный дождь? Какие меры безопасности нужно соблюдать во время активного отдыха? Прогноз погоды имеет большое значение в повседневной жизни.

«Краткосрочный прогноз погоды» – это прогноз погоды на ближайшие 0–12 часов, а «прогноз текущей погоды» – это тип краткосрочного прогноза погоды, который, в частности, относится к прогнозу погоды на следующие 0–2 часа. , который является источником энергии. Управление, морские службы, системы предупреждения о наводнениях, управление воздушным движением и т. д. предоставляют ключевую информацию для принятия решений.

Недавно DeepMind, лаборатория искусственного интеллекта Google, опубликовала статью в журнале Nature. Содержание исследования заключается в применении машинного обучения к прогнозированию текущей погоды и создании глубокой генеративной модели (Deep Generative Model, далее именуемой DGM).

Альянс наук об окружающей среде и искусственного интеллекта открыл новый путь для прогнозирования текущей погоды. DeepMind считает, что у нынешнего грядущего прогноза есть две проблемы.

С одной стороны, сегодняшний прогноз погоды в основном определяется Системой численного прогнозирования погоды (ЧПП), но ЧПП сложно генерировать прогнозы с высоким разрешением на ближайшее время в течение 2 часов, и прогноз текущей погоды заполняет этот критический интервал. Однако у основных методов прогнозирования текущей погоды также есть недостатки – нелегко зафиксировать важные нелинейные события .

С другой стороны, в последние годы было разработано несколько методов прогнозирования климата на основе машинного обучения. Хотя эти методы могут точно прогнозировать осадки низкой интенсивности, они неэффективны в редких случаях умеренных и сильных дождей.

Короче говоря, DeepMind считает, что для того, чтобы сделать прогноз текущей погоды более ценным, он должен предоставлять точные прогнозы, полностью учитывать неопределенность и вносить статистически значимые улучшения в прогнозы сильных дождей.

В то же время достижения в области зондирования погоды позволили использовать радары с высоким разрешением на высоких частотах, часто каждые 5 минут с разрешением 1 км. Эти высококачественные данные открывают возможности для внедрения технологий машинного обучения.

DGM DeepMind изучил распределение вероятностей данных и прошел обучение на основе большого количества наборов данных об осадках, зарегистрированных британским радаром с 2016 по 2018 год. После обучения он может предоставлять прогнозы текущей погоды после работы на одном графическом процессоре NVIDIA V100 чуть более секунды. DeepMind утверждает, что DGM может предсказывать погодные явления, которые трудно отследить из-за потенциальной случайности, и точно предсказывать местоположение осадков.

По оценкам 56 метеорологов, по сравнению с обычными моделями прогнозирования текущей погоды и другими моделями машинного обучения, DGM имеет более реалистичное и последовательное прогнозирование текущей погоды в области 1536 км × 1280 км по сравнению с двумя другими в 89% случаев. точный и практичный, а время подхода составляет от 5 до 90 минут.

Искусственный интеллект имеет больше применений в области изменения климата. В октябре 2019 года исследователи использовали искусственный интеллект для создания изображений экстремальной погоды для визуализации изменения климата. Проблемы климата трудно вызвать коллективную мобилизацию. Одна из причин заключается в том, что люди верят, что эти изменения обычно происходят в отдаленном времени и пространстве. Следовательно, только личная и даже эмоциональная информация может обеспечить действительно эффективное общение.

Исследователи вводят изображения различных мест и типов зданий (таких как дома, фермы, улицы, города), чтобы сформировать более десятка шаблонов синтеза искусственного интеллекта, а затем просят оценщиков выбирать между реальными изображениями и полусгенерированными изображениями для вычисления средней ошибки Оценить. Конечная цель этой работы – создать архитектуру машинного обучения для создания наиболее реалистичных изображений в экстремальных погодных условиях, включая наводнения, лесные пожары, тропические циклоны и даже более катастрофические события, в зависимости от местоположения, выбранного пользователем.

«Изменение климата» – ключевое слово этого года. В 2021 году Нобелевская премия по физике была присуждена трем ученым, двое из которых были присуждены за исследования «построения физической модели климата Земли, количественной оценки его изменчивости и надежный прогноз глобального потепления ». Согласно CDP, международной некоммерческой организации, 500 крупнейших компаний мира должны будут заплатить около 1 триллиона долларов в следующие несколько десятилетий, чтобы покрыть расходы, связанные с изменением климата, если они не примут заранее позитивные меры.

Старший исследователь DeepMind Шакир Мохамед считает:

Способность моделировать сложные явления, делать быстрые прогнозы и выражать неопределенности делает искусственный интеллект мощным инструментом для ученых-экологов.

В соответствии с этой ситуацией модель DeepMind и другие аналогичные модели могут иметь широкий спектр приложений, помогая прогнозистам тратить меньше времени на просмотр постоянно растущей груды данных прогнозирования, чтобы сосредоточиться на значении прогноза.

# Добро пожаловать, чтобы подписаться на официальный аккаунт Aifaner в WeChat: Aifaner (идентификатор WeChat: ifanr), более интересный контент будет предоставлен вам как можно скорее.

Ai Faner | Исходная ссылка · Посмотреть комментарии · Sina Weibo