深度学习可准确预测热浪和寒潮

 
赖斯大学的工程师已经创建了一个深度学习计算机系统，该系统可以自我学习，从而可以在最短五天之前使用有关当前天气状况的最少信息来准确预测极端天气事件，例如热浪。
具有讽刺意味的是，赖斯的自学“胶囊神经网络”使用天气预报的模拟方法，使计算机在1950年代过时了。在训练期间，它会检查数百对地图。每张图都显示了五公里高处的表面温度和气压，每对都相隔数天显示了这些状况。培训包括产生极端天气的场景-扩展的冷热天气可能导致致命的热浪和冬季风暴。经过培训，该系统能够检查以前未曾见过的地图，并以85%的准确度对极端天气进行五天预报。
赖斯的Pedram Hassanzadeh说，随着进一步的发展，该系统可以用作天气预报员的预警系统，也可以作为一种工具来更多地了解导致极端天气的大气条件。本周在美国地球物理联合会的《地球系统建模进展杂志》上。
自1950年代基于计算机的数字天气预报(NWP)出现以来，日常天气预报的准确性一直稳步提高。但是，即使有了改进的大气数值模型和更强大的计算机，NWP也无法可靠地预测极端事件，例如2003年法国和2010年俄罗斯的致命热浪。
赖斯机械工程以及地球，环境和行星科学的助理教授哈桑扎德(Hassanzadeh)表示：“可能我们需要更快的超级计算机才能以更高的分辨率求解数值天气预报模型的控制方程式。” “但是，由于我们不完全了解极端天气模式的物理条件和先兆条件，因此，无论我们投入多少计算能力，这些方程也可能不完全准确，并且它们也不会产生更好的预测。在。”
2017年底，哈桑扎德(Hassanzadeh)及其研究合著者和研究生Ashesh Chattopadhyay和Ebrahim Nabizadeh决定采用另一种方法。
“当您收到这些热浪或冷风时，如果查看天气图，您通常会发现喷流中有些怪异的行为，异常现象，例如大浪或不动的高压系统。全部”，哈桑扎德说。 “这似乎是一个模式识别问题。因此，我们决定尝试将极端天气预报重新制定为一种模式识别问题，而不是数值问题。”

 
深度学习是人工智能的一种形式，在这种形式中，计算机经过“训练”以做出类似人的决策，而无需对其进行明确的编程。卷积神经网络是深度学习的主体，擅长模式识别，是无人驾驶汽车，面部识别，语音转录和许多其他先进技术的关键技术。
“我们决定对模型进行训练，方法是向模型展示在地球上方五公里处的大量压力模式，并告诉每个模型：“该模型没有引起极端天气。这在加利福尼亚引起了热浪。这个没引起什么。哈桑扎德说：“这一事件在东北地区引起了冷落。没有像休斯顿对达拉斯这样的地方，而是对区域区域的了解。”
当时，哈桑扎德(Hassanzadeh)，查托帕德海(Chatopadhyay)和纳比萨德(Nabizadeh)几乎没有意识到模拟预报曾经是天气预报的支柱，甚至在第二次世界大战的D日登陆中也起着举足轻重的作用。
哈桑扎德说：“在计算机出现之前进行预测的一种方法是，他们先看一下当今的压力系统模式，然后转到以前的模式目录中，进行比较并尝试找到一种非常相似的模式。” “如果那三天后导致法国上雨，那么预报将是法国的降雨。”
他说使用深度学习的优点之一是不需要告诉神经网络寻找什么。
哈桑扎德说：“没关系，我们没有完全理解这些先驱物，因为神经网络学会了自己找到那些连接。” “它了解了哪些模式对极端天气至关重要，并使用这些模式找到了最佳模拟。”
为了演示概念验证，该团队使用了来自真实计算机仿真的模型数据。该团队通过卷积神经网络报告了早期结果，当时这项新研究的主要作者Chattopadhyay听说了胶囊神经网络，这是一种新的深度学习形式，于2017年末大张旗鼓地亮相，部分原因是它是基于卷积神经网络的深度学习的创始人之父Geoffrey Hinton。
与卷积神经网络不同，胶囊神经网络可以识别相对空间关系，这在天气模式的演变中很重要。
哈桑扎德说：“压力模式的相对位置，即天气图上的高点和低点，是决定天气如何演变的关键因素。”
胶囊神经网络的另一个重要优点是，它们不需要卷积神经网络那么多的训练数据。从卫星时代开始，只有大约40年的高质量天气数据，Hassanzadeh的团队正在努力根据观测数据训练其胶囊神经网络，并将其预报与最新的NWP模型进行比较。
他说：“我们的近期目标是将我们的预测交货时间延长到10天以上，因为NWP模型存在缺陷。”
尽管将赖斯的系统整合到业务预报中还需要做更多的工作，但哈桑扎德(Hassanzadeh)希望最终可以改善对热浪和其他极端天气的预报。
他说：“我们不建议在今天结束时将取代NWP。” “但是这可能对NWP很有用。从计算上来说，这可能是一种便宜的方法，可以提供一些指导和预警，使您可以将NWP资源专门用于可能出现极端天气的地方。”
哈桑扎德(Hassanzadeh)表示，他的团队还对找出胶囊神经网络用于预测的模式感兴趣。
他说：“我们希望利用可解释的AI(人工智能)的思想来解释神经网络在做什么。” “这可能有助于我们确定导致极端天气模式的前兆，并增进我们对它们物理的理解。”