Ingenieurs van Rice University hebben een diepgaand computersysteem ontwikkeld dat zichzelf heeft geleerd extreme weersomstandigheden nauwkeurig te voorspellen, zoals hittegolven, tot vijf dagen van tevoren met minimale informatie over de huidige weersomstandigheden.

Ironisch, Rice's zelflerende 'capsule neurale netwerk' maakt gebruik van een analoge methode van weersvoorspelling die computers in de jaren vijftig overbodig maakten. Tijdens de training, het onderzoekt honderden paren kaarten. Elke kaart toont oppervlaktetemperaturen en luchtdrukken op vijf kilometer hoogte, en elk paar vertoont die omstandigheden met een tussenpoos van enkele dagen. De training omvat scenario's die extreem weer produceerden - langdurige warme en koude perioden die kunnen leiden tot dodelijke hittegolven en winterstormen. Eenmaal getraind, het systeem was in staat om kaarten te onderzoeken die het nog niet eerder had gezien en vijfdaagse voorspellingen van extreem weer te maken met een nauwkeurigheid van 85%.

Met verdere ontwikkeling, het systeem zou kunnen dienen als een vroegtijdig waarschuwingssysteem voor weersvoorspellers, en als hulpmiddel om meer te leren over de atmosferische omstandigheden die leiden tot extreem weer, zei Rice's Pedram Hassanzadeh, co-auteur van een studie over het systeem die deze week online is gepubliceerd in het Journal of Advances in Modeling Earth Systems van de American Geophysical Union.

De nauwkeurigheid van de dagelijkse weersvoorspellingen is gestaag verbeterd sinds de komst van computergebaseerde numerieke weersvoorspelling (NWP) in de jaren vijftig. Maar zelfs met verbeterde numerieke modellen van de atmosfeer en krachtigere computers, NWP kan extreme gebeurtenissen zoals de dodelijke hittegolven in Frankrijk in 2003 en in Rusland in 2010 niet betrouwbaar voorspellen.

"Het kan zijn dat we snellere supercomputers nodig hebben om de heersende vergelijkingen van de numerieke weersvoorspellingsmodellen met hogere resoluties op te lossen, " zei Hassanzadeh, een assistent-professor werktuigbouwkunde en van de aarde, milieu- en planetaire wetenschappen bij Rice. "Maar omdat we de fysica en de voorlopercondities van extreem veroorzakende weerpatronen niet volledig begrijpen, het is ook mogelijk dat de vergelijkingen niet helemaal nauwkeurig zijn, en ze zullen geen betere voorspellingen opleveren, hoeveel rekenkracht we er ook in stoppen."

Eind 2017, Hassanzadeh en studie co-auteurs en afgestudeerde studenten Ashesh Chattopadhyay en Ebrahim Nabizadeh besloten een andere aanpak te kiezen.

"Als je deze hittegolven of koude periodes krijgt, als je naar de weerkaart kijkt, je gaat vaak vreemd gedrag zien in de jetstream, abnormale dingen zoals grote golven of een groot hogedruksysteem dat helemaal niet beweegt, " zei Hassanzadeh. "Het leek alsof dit een patroonherkenningsprobleem was. Daarom hebben we besloten om extreme weersvoorspellingen te herformuleren als een patroonherkenningsprobleem in plaats van een numeriek probleem."

Deep learning is een vorm van kunstmatige intelligentie, waarin computers worden 'getraind' om menselijke beslissingen te nemen zonder er expliciet voor te zijn geprogrammeerd. De steunpilaar van diep leren, het convolutionele neurale netwerk, blinkt uit in patroonherkenning en is de sleuteltechnologie voor zelfrijdende auto's, gezichtsherkenning, spraaktranscriptie en tientallen andere vorderingen.

"We besloten ons model te trainen door het veel drukpatronen te laten zien in de vijf kilometer boven de aarde, en het vertellen, voor elke, "Deze veroorzaakte geen extreem weer. Deze veroorzaakte een hittegolf in Californië. Deze veroorzaakte niets. Deze veroorzaakte een koudegolf in het noordoosten, '" zei Hassanzadeh. "Niets specifieks zoals Houston versus Dallas, maar meer een gevoel van het regionale gebied."

Destijds, Hassanzadeh, Chattopadhyay en Nabizadeh waren zich er nauwelijks van bewust dat analoge voorspellingen ooit een steunpilaar van weersvoorspelling waren geweest en zelfs een legendarische rol hadden gespeeld bij de D-Day-landingen in de Tweede Wereldoorlog.

"Eenzijdige voorspelling werd gedaan voordat computers zouden kijken naar het druksysteempatroon van vandaag, en ga dan naar een catalogus van eerdere patronen en vergelijk en probeer een analoog te vinden, een sterk gelijkend patroon, " zei Hassanzadeh. "Als dat na drie dagen tot regen over Frankrijk zou leiden, de voorspelling zou regen in Frankrijk zijn."

Hij zei dat een van de voordelen van het gebruik van deep learning is dat het neurale netwerk niet hoeft te worden verteld waar het op moet letten.

"Het deed er niet toe dat we de voorlopers niet volledig begrijpen, omdat het neurale netwerk die verbindingen zelf leerde vinden, "Zei Hassanzadeh. "Het leerde welke patronen cruciaal waren voor extreem weer, en het gebruikte die om de beste analoog te vinden."

Om een ​​proof-of-concept aan te tonen, het team gebruikte modelgegevens uit realistische computersimulaties. Het team had vroege resultaten gerapporteerd met een convolutioneel neuraal netwerk toen Chattopadhyay, de hoofdauteur van de nieuwe studie, gehoord over capsule neurale netwerken, een nieuwe vorm van deep learning die eind 2017 met tamtam debuteerde, deels omdat het het geesteskind was van Geoffrey Hinton, de grondlegger van op convolutionele neurale netwerken gebaseerde deep learning.

In tegenstelling tot convolutionele neurale netwerken, capsule neurale netwerken kunnen relatieve ruimtelijke relaties herkennen, die belangrijk zijn in de evolutie van weerpatronen.

"De relatieve posities van drukpatronen, de hoogte- en dieptepunten die je op weerkaarten ziet, zijn de belangrijkste factor bij het bepalen hoe het weer evolueert, ' zei Hassanzadeh.

Een ander belangrijk voordeel van capsule neurale netwerken was dat ze niet zoveel trainingsgegevens nodig hebben als convolutionele neurale netwerken. Er zijn slechts ongeveer 40 jaar hoogwaardige weergegevens uit het satelliettijdperk, en het team van Hassanzadeh werkt eraan om zijn capsule-neuraal netwerk te trainen op observatiegegevens en zijn voorspellingen te vergelijken met die van de modernste NWP-modellen.

"Ons onmiddellijke doel is om onze verwachte doorlooptijd te verlengen tot meer dan 10 dagen, waar NWP-modellen zwakke punten hebben, " hij zei.

Hoewel er nog veel meer werk nodig is voordat het systeem van Rice kan worden opgenomen in operationele prognoses, Hassanzadeh hoopt dat het uiteindelijk de voorspellingen voor hittegolven en ander extreem weer kan verbeteren.

"We suggereren niet dat dit uiteindelijk NWP gaat vervangen, " zei hij. "Maar dit zou een nuttige gids kunnen zijn voor NWP. rekenkundig, dit kan een super goedkope manier zijn om wat begeleiding te geven, een vroege waarschuwing, waarmee u NWP-bronnen specifiek kunt richten waar extreem weer waarschijnlijk is."

Hassanzadeh zei dat zijn team ook geïnteresseerd is om uit te zoeken welke patronen het neurale netwerk van de capsule gebruikt om zijn voorspellingen te doen.

"We willen ideeën van verklaarbare AI (kunstmatige intelligentie) gebruiken om te interpreteren wat het neurale netwerk doet, " zei hij. "Dit zou ons kunnen helpen de voorlopers van extreem veroorzakende weerpatronen te identificeren en ons begrip van hun fysica te verbeteren."