Исследовать
Наша жизнь зависит от погоды. Согласно одному исследованию, в любой момент в Великобритании треть жителей страны говорили о погоде за последний час, что отражает важность погоды в повседневной жизни. Среди погодных явлений дождь имеет особое значение, поскольку он влияет на наши повседневные решения. Стоит ли мне брать зонтик? Как следует прокладывать маршруты транспортным средствам, пострадавшим от сильного дождя? Какие меры безопасности мы принимаем на мероприятиях на открытом воздухе? Будет ли наводнение?
Наши последние исследования и современная модель развивают науку прогнозирования осадков, которая представляет собой прогноз дождя (и других явлений, связанных с осадками) в течение следующих 1-2 часов. В статье, написанной в сотрудничестве с Метеорологическим бюро и опубликованной в журнале Nature, мы непосредственно решаем эту важную грандиозную задачу в области прогнозирования погоды. Это сотрудничество между наукой об окружающей среде и искусственным интеллектом фокусируется на ценности для лиц, принимающих решения, открывая новые возможности для прогнозирования дождя и указывает на возможности искусственного интеллекта в поддержке нашего ответа на проблемы принятия решений в окружающей среде, находящейся в постоянном изменении.
Краткосрочные прогнозы погоды
На протяжении всей истории предсказание погоды занимало важное место для наших сообществ и стран. Средневековые метеорологи начинали с использования звезд для предсказаний. Постепенно начали вестись таблицы, фиксирующие времена года и характер осадков. Столетия спустя Льюис Фрай придумал «Фабрику прогнозов», которая использовала вычисления и физические уравнения атмосферы для прогнозирования глобальной погоды. В эту развивающуюся книгу о прогнозировании погоды мы добавляем рассказ о роли машинного обучения в прогнозировании.
Сегодняшние прогнозы погоды основаны на мощных системах численного прогнозирования погоды (ЧПП). Решая физические уравнения, ЧПП дают важные прогнозы планетарного масштаба на несколько дней вперед. Однако им сложно генерировать прогнозы с высоким разрешением за короткое время менее двух часов. Прогноз текущей погоды заполняет пробел в производительности в этот решающий временной интервал.
Прогноз текущей погоды необходим для таких секторов, как управление водными ресурсами, сельское хозяйство, авиация, планирование действий в чрезвычайных ситуациях и мероприятия на открытом воздухе. Достижения в области метеорологического зондирования сделали радиолокационные данные высокого разрешения, которые измеряют количество осадков на уровне земли, доступными с высокой частотой (например, каждые 5 минут с разрешением 1 км). Такое сочетание важнейшей области, в которой существующие методы неэффективны, и доступности высококачественных данных дает возможность машинному обучению внести свой вклад в прогнозирование текущей погоды.
Данные радиолокационного наблюдения за последние 20 минут используются для обеспечения вероятностных прогнозов на следующие 90 минут с использованием глубокой генеративной модели дождя (DGMR).
Генеративные модели для прогнозирования текущей погоды
Мы фокусируемся на прогнозировании дождя: прогнозах на 2 часа вперед, которые отражают количество, время и место выпадения осадков. Мы используем подход, известный как генеративное моделирование, чтобы сделать подробные и правдоподобные прогнозы будущего радара на основе прошлых радаров. Концептуально это проблема создания радиолокационных фильмов. С помощью таких методов мы можем точно фиксировать крупномасштабные события, а также генерировать множество альтернативных сценариев дождя (известных как ансамблевые прогнозы), что позволяет исследовать неопределенность количества осадков. В результатах нашего исследования мы использовали радиолокационные данные из Великобритании и США.
Нас особенно интересовала способность этих моделей прогнозировать сильные и средние дожди, которые больше всего влияют на людей и экономику, и мы показываем статистически значимые улучшения в этих режимах по сравнению с конкурирующими методами. Важно отметить, что мы провели оценку когнитивных задач с участием более чем 50 экспертов-метеорологов Метеорологического бюро, национальной метеорологической службы Великобритании. которые оценили наш новый подход как свой лучший выбор в 89% случаев по сравнению с широко используемыми методами прогнозирования текущей погодыдемонстрируя способность нашего подхода предоставлять информацию лицам, принимающим решения в реальном мире.
Сложное событие в апреле 2019 года над Великобританией (цель — наблюдаемый радар). Наш генеративный подход (DGMR) лучше отражает циркуляцию, интенсивность и структуру, чем подход адвекции (PySTEPS), и более точно прогнозирует количество осадков и движение на северо-востоке. DGMR также генерирует точные прогнозы, в отличие от детерминированных методов глубокого обучения (UNet).
Сильные осадки в апреле 2019 года над восточной частью США (цель — наблюдаемый радар). Генеративный подход DGMR уравновешивает интенсивность и степень осадков по сравнению с адвективным подходом (PySTEPS), интенсивность которого часто слишком высока, и не размывает, как детерминированные методы глубокого обучения (UNet).
Что дальше
Используя статистический, экономический и когнитивный анализ, мы смогли продемонстрировать новый и конкурентоспособный подход к прогнозированию осадков с помощью радара. Ни один метод не имеет ограничений, и необходима дополнительная работа для повышения точности долгосрочных прогнозов и точности редких и интенсивных событий. Будущая работа потребует от нас разработки дополнительных способов оценки производительности и дальнейшей специализации этих методов для конкретных реальных приложений.
Мы считаем, что это интересная область исследований, и надеемся, что наша статья послужит основой для новой работы, предоставляя данные и методы проверки, которые позволят обеспечить как конкурентоспособную проверку, так и эксплуатационную полезность. Мы также надеемся, что это сотрудничество с Метеорологическим бюро будет способствовать большей интеграции машинного обучения и науки об окружающей среде, а также будет способствовать принятию решений в нашем меняющемся климате.
Прочтите статью «Умелое прогнозирование осадков с использованием глубоких генеративных моделей радара» в выпуске журнала Nature от 30 сентября 2021 года, в которой содержится подробное обсуждение модели, данных и подхода к проверке. Вы также можете изучить данные, которые мы использовали для обучения, и найти предварительно обученную модель для Великобритании через GitHub.