Een team van onderzoekers van het Google-onderzoekscentrum Mountain View heeft een op deep learning gebaseerde weersvoorspellingstool ontwikkeld voor het voorspellen van kortetermijnweergebeurtenissen. Ze hebben een paper geschreven waarin ze hun "nowcasting-tool, " en hebben het geüpload naar de arXiv preprint-server. Ze hebben ook een nieuwsbericht gepubliceerd waarin hun werk wordt beschreven op de Google AI Blog.

Ondanks eeuwenlange inspanningen, het weer voorspellen is nog steeds een onnauwkeurige wetenschap. De huidige aanpak omvat het verzamelen van gegevens uit verschillende bronnen en deze analyseren met supercomputers die uren nodig hebben om voorspellingen te leveren. Hoewel moderne weersvoorspellingen veel nauwkeuriger zijn dan die in het verleden, ze laten nog veel te wensen over, vooral lokaal en op korte termijn. In deze nieuwe poging het team van Google heeft een andere benadering gekozen voor kortetermijnprognoses, in plaats van fysica te gebruiken, ze gebruiken recente radarkaarten om weloverwogen gissingen te maken over de nabije toekomst.

De nieuwe tool van Google maakt gebruik van machine learning:een convolutioneel neuraal netwerk (CNN) is getraind om weerpatronen te herkennen en maakt vervolgens voorspellingen op basis van de huidige weersomstandigheden. De resulterende tool biedt wat Google beschrijft als 'precipitation nowcasting':lokaal gebaseerd, bijna onmiddellijk, weersvoorspellingen op korte termijn.

Het type CNN dat Google gebruikt, wordt een U-Net genoemd - een systeem dat werkt door gegevens te sorteren in lagen die zijn gerangschikt op coderingsfase om de verwerkingssnelheid te verhogen - iteratie wordt gebruikt om de beeldresolutie te verlagen en vervolgens wordt decodering gebruikt om de afbeeldingen terug te herstellen naar hun oorspronkelijke resolutie. Het systeem analyseert radargegevens van de afgelopen N uur om weersgebeurtenissen in de komende N uur te voorspellen, waarbij N varieert tussen nul en zes uur. Het hele proces duurt slechts enkele minuten. Het systeem is in staat sneller antwoorden te geven dan conventionele voorspellingssystemen omdat het de betrokken fysica negeert - in plaats daarvan, het is afhankelijk van beeldverwerking.

De onderzoekers testten hun tool door deze te vergelijken met drie veelgebruikte voorspellingsmodellen. Ze beweren dat hun voorspellingen op korte termijn nauwkeuriger waren dan alle drie de modellen, maar waren op de lange termijn minder nauwkeurig.

© 2020 Wetenschap X Netwerk