In het laatste decennium, toepassingen van kunstmatige intelligentie ("AI") zijn explosief gestegen in verschillende onderzoekssectoren, inclusief computervisie, communicatie en geneeskunde. Nutsvoorzieningen, de zich snel ontwikkelende technologie drukt zijn stempel op de weersvoorspelling.

De gebieden van atmosferische wetenschap en satellietmeteorologie zijn bij uitstek geschikt voor de taak, biedt een rijk oefenterrein dat de eindeloze honger naar data van een AI-systeem kan voeden. Anthony Wimmers is een wetenschapper bij de University of Wisconsin-Madison Cooperative Institute for Meteorological Satellite Studies (CIMSS), die de afgelopen drie jaar met AI-systemen heeft gewerkt. Zijn laatste onderzoek onderzoekt hoe een AI-model kan helpen bij het verbeteren van de kortetermijnvoorspelling (of "nowcasting") van orkanen.

Bekend als DeepMicroNet, het model maakt gebruik van deep learning, een type neuraal netwerk gerangschikt in "diepe" op elkaar inwerkende lagen die patronen binnen een dataset vindt. Wimmers onderzoekt hoe een AI-systeem als DeepMicroNet conventionele weersvoorspellingssystemen kan aanvullen en ondersteunen.

In een paper uit 2019 gepubliceerd in het tijdschrift Maandelijkse weerbeoordeling , Wimmers en collega's Chris Velden, van CIMSS, en Josh Cossuth, van het U.S. Naval Research Lab, een manier beschrijven om diepgaand leren te gebruiken om de orkaansterkte te schatten op basis van gegevens van bepaalde weersatellieten. Als ze boven je hoofd passeren, deze satellieten verzamelen belangrijke informatie over de structuur van een orkaan door middel van metingen in het microgolfgedeelte van het elektromagnetische spectrum. Met 30 jaar microgolfgegevens, het artikel laat zien hoe het model - met toenemende nauwkeurigheid - de intensiteit van een tropische cycloon kan schatten.

"De resultaten van het onderzoek zijn veelbelovend, niet alleen vanwege de nauwkeurigheid van het model, maar ook omdat deze resultaten afkomstig zijn van gegevens die doorgaans niet worden gebruikt om de orkaanintensiteit te schatten, ' zegt Wimmers.

Snelle analyses zoals deze kunnen voorspellers essentiële informatie geven over het gedrag van een storm en wat ze kunnen verwachten, zoals of de storm oogwandvervangingen of snelle intensivering zal ondergaan.

Bij het voorspellen van de maximale aanhoudende winden van een orkaan, De resultaten van DeepMicroNet verschilden ongeveer 16 mijl per uur van het historische record van voorspellers geschatte waarden. De resultaten van DeepMicroNet verbeterden, echter, toen de datasets beperkt waren tot gegevens die rechtstreeks door vliegtuigen werden gemeten. Vervolgens, DeepMicroNet zat er minder dan 11,5 mph naast. Ter vergelijking, schattingen met behulp van de modernste methoden liggen doorgaans ongeveer 10 mijl per uur naast.

Wimmers wilde drie hoofdvragen beantwoorden. Eerst, hij wilde bepalen hoe goed het model presteerde in vergelijking met de modernste methoden voor het voorspellen van de orkaanintensiteit. Tweede, het was belangrijk om te beoordelen of de resultaten zinvol waren en de wetenschap van de meteorologie vooruitbrachten. als laatste, hij wilde nieuwe manieren demonstreren om minder vaak gebruikte gegevens, zoals microgolfbeelden, in voorspellingsmodellen op te nemen, terwijl het waardevol inzicht biedt in een storm.

"De reden dat deep learning-systemen zo sterk zijn gegroeid in satellietmeteorologie, is omdat ze klaar zijn voor dit soort toepassingen, waar je tienduizenden afbeeldingen beschikbaar hebt voor het trainen van een model, ", zegt Wimmers. "Dat geldt ook voor situaties waar je snel een antwoord nodig hebt."

Wimmers ontwierp zijn experiment om te testen hoe goed een AI-systeem de geschiedenis van een orkaan kon reproduceren. De historische orkaanintensiteiten kwamen van een combinatie van voorspellersschattingen op basis van andere satellietgegevens en vliegtuigobservaties. Zonder kennis van de gegevenstypen, Het was de taak van DeepMicroNet om de intensiteiten te schatten van een grote, onafhankelijke dataset van microgolfbeelden gemeten in de 37 GHz- en 89 GHz-frequenties.

"Die twee frequenties zijn handig om verschillende orkaanstructuren te onthullen, ", zegt Wimmers. "Door hun relatief grove resolutie zijn ze ook snel te analyseren en te verwerken in een computer."

Het AI-programma van Wimmers kan door meer dan 50, 000 orkaanbeelden in minder dan twee uur. Het is gecodeerd met Python, een programmeertaal die de standaard is geworden voor krachtige machine learning-toepassingen. Wimmers zegt dat deze systemen topprestaties bereiken na het uitvoeren van ten minste tienduizenden voorbeelden. Door herhaalde verwerking van trainingsbeelden, het systeem toonde aan dat het patronen in de structuur van een orkaan kon detecteren en onthouden.

DeepMicroNet leverde de definitieve resultaten na een validatietest met een kleinere subset van slechts 3, 000 afbeeldingen. Hier paste het toe wat het tijdens de training had geleerd en beoordeelde het nauwkeurig de intensiteit van de tropische cyclonen. Vroeger, het uitvoeren van modellen met grote datasets kan wel een week duren om te berekenen. Vandaag, Hoewel, Door de vooruitgang in computergebruik is een trainingstaak zoals die van DeepMicroNet teruggebracht tot 90 minuten.

"Deze resultaten waren een veelbelovende demonstratie van het soort dingen dat we in de toekomst met machine learning kunnen doen, ", zegt Wimmers. "We kunnen de resultaten van deep learning-netwerken interpreteren om onze fysieke modellen te verbeteren. We kunnen patronen vinden die vroeger buiten ons bereik lagen omdat ze te ingewikkeld waren."

Hoewel deep learning-systemen krachtige voorspellende mogelijkheden kunnen hebben, hun ontwerp heeft een inherent nadeel. Buiten de AI-gemeenschap, de woorden "black box" worden vaak gebruikt om AI-systemen en hun resultaten te beschrijven. Een bron van langdurig debat, "black box" verwijst naar hoe moeilijk het kan zijn, soms, om het pad te volgen dat een AI-model heeft gevolgd om tot zijn conclusie te komen. Het vormt een groot probleem voor de wetenschappelijke gemeenschap - een probleem dat is gebaseerd op transparantie en reproduceerbaarheid.

Wimmers stelt dat ondanks enkele van de ondoorzichtige methoden van AI, onderzoekers hebben veel te winnen bij het onderzoeken van AI-systemen en hun processen.

"Aan de ene kant, een deep learning-model voor beeldverwerking kan je heel wat over zichzelf vertellen op basis van zijn prestaties, of waar het zijn inspanningen concentreerde en welke delen van een afbeelding van het grootste belang waren, " zegt Wimmers. "Maar aan de andere kant, we hebben geen goed systeem om al die informatie te vertalen naar de basisfysica en dat te interpreteren om ons te vertellen wat er in de natuurlijke wereld gebeurt."

Meer traditionele weermodellen zijn gebaseerd op een reeks vergelijkingen en datasets die zijn afgeleid van de fysica van de atmosfeer. Daarentegen, een AI-systeem negeert vaak bestaande aannames en richt zich uitsluitend op het vinden van patronen in de data. In het gunstigste geval, het AI-systeem neemt natuurlijke processen in de atmosfeer op die voorheen door traditionele modellen over het hoofd werden gezien.

De AI-bevindingen, dan, zou kunnen worden gebruikt om de huidige weermodellen aan te vullen en trends te onthullen die nader onderzoek waard zijn. Wimmers ziet beide benaderingen complementaire rollen spelen, elk met hun sterke en zwakke punten.

"Hoewel (conventionele weermodellen) en deep learning-modellen al veel overeenkomsten vertonen in hoe ze werken, het zijn twee verschillende instrumenten die verschillende doelen dienen, en we kunnen beide gebruiken, " hij zegt.

Het veld van AI-onderzoek evolueert zo snel dat het volgens Wimmers een uitdaging kan zijn om bij te blijven. Echter, zijn werk loopt voorop in het gebruik van AI als hulpmiddel voor het verbeteren van weersvoorspellingen. CIMSS-directeur Tristan L'Ecuyer ziet AI een steeds belangrijkere rol spelen voor een aantal gebieden in de atmosferische wetenschappen, zoals het identificeren van zwaar weer, turbulentie herkennen, sneeuw met meereffect voorspellen, luchtbeweging meten, en het volgen van zee-ijsbewegingen.

"Nu er om de paar minuten satellietbeelden met een hoge resolutie worden gemaakt en enorme hoeveelheden gegevens worden gegenereerd om te analyseren, er moeten innovatieve nieuwe manieren worden ontwikkeld om er praktische informatie uit te halen, ' zegt L'Ecuyer. "AI gaat een cruciale rol spelen in de overgang van gegevensverzameling naar informatieproductie en -actie in het komende decennium en CIMSS positioneert zichzelf om deze inspanning de komende jaren te leiden."