Наша жизнь зависит от погоды. Согласно одному исследованию , в любой момент в Великобритании треть населения страны говорила о погоде за последний час, что отражает важность погоды в повседневной жизни. Среди погодных явлений дождь особенно важен из-за его влияния на наши повседневные решения. Стоит ли брать с собой зонтик? Как направлять транспортные средства, если идет сильный дождь? Какие меры безопасности следует принимать для мероприятий на открытом воздухе? Будет ли наводнение?
Наши последние исследования и современная модель продвигают науку прогнозирования осадков , которая является прогнозированием дождя (и других явлений осадков) в течение следующих 1-2 часов. В статье, написанной в сотрудничестве с Met Office и опубликованной в Nature, мы напрямую решаем эту важную грандиозную задачу в прогнозировании погоды. Это сотрудничество между наукой об окружающей среде и ИИ фокусируется на ценности для лиц, принимающих решения, открывая новые пути для прогнозирования осадков и указывая на возможности ИИ в поддержке нашего ответа на проблемы принятия решений в среде, находящейся в постоянном изменении.
Краткосрочные прогнозы погоды
На протяжении всей истории прогнозирование погоды занимало важное место для наших сообществ и стран. Средневековые метеорологи начали использовать звезды для прогнозирования. Постепенно начали вести таблицы, в которых записывались времена года и режимы осадков. Спустя столетия Льюис Фрай представил себе « Фабрику прогнозов », которая использовала вычисления и физические уравнения атмосферы для прогнозирования глобальной погоды. В этой развивающейся книге о прогнозировании погоды мы теперь добавляем историю о роли машинного обучения для прогнозирования.
Сегодняшние прогнозы погоды основаны на мощных системах численного прогнозирования погоды (ЧПП). Решая физические уравнения, ЧПП обеспечивают важные прогнозы планетарного масштаба на несколько дней вперед. Однако им трудно генерировать прогнозы с высоким разрешением для коротких сроков упреждения менее двух часов. Текущее прогнозирование заполняет пробел в производительности в этот критический временной интервал.
Прогнозирование текущей погоды необходимо для таких секторов, как управление водными ресурсами, сельское хозяйство, авиация, планирование чрезвычайных ситуаций и мероприятия на открытом воздухе . Достижения в области метеорологического зондирования сделали данные радаров с высоким разрешением, которые измеряют количество осадков на уровне земли, доступными с высокой частотой (например, каждые 5 минут с разрешением 1 км). Это сочетание важнейшей области, где существующие методы неэффективны, и доступности высококачественных данных дает возможность машинному обучению внести свой вклад в прогнозирование текущей погоды.
Данные радара за последние 20 минут используются для составления вероятностных прогнозов на следующие 90 минут с использованием глубокой генеративной модели дождя (DGMR).
Генеративные модели для прогнозирования текущей погоды
Мы фокусируемся на прогнозировании дождя на текущий момент: прогнозы на 2 часа вперед, которые фиксируют количество, время и место выпадения осадков. Мы используем подход, известный как генеративное моделирование, чтобы делать подробные и правдоподобные прогнозы будущих радаров на основе прошлых радаров. Концептуально, это проблема создания радарных фильмов. С помощью таких методов мы можем как точно фиксировать крупномасштабные события, так и генерировать множество альтернативных сценариев дождя (известных как ансамблевые прогнозы), что позволяет исследовать неопределенность осадков. В результатах нашего исследования мы использовали данные радаров как из Великобритании, так и из США.
Нас особенно интересовала способность этих моделей делать прогнозы относительно средних и сильных дождей, которые больше всего влияют на людей и экономику, и мы показываем статистически значимые улучшения в этих режимах по сравнению с конкурирующими методами. Важно, что мы провели оценку когнитивных задач с более чем 50 экспертами-метеорологами из Met Office, национальной метеорологической службы Великобритании, которые оценили наш новый подход как свой первый выбор в 89% случаев по сравнению с широко используемыми методами прогнозирования текущей погоды , что демонстрирует 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 фиксирует циркуляцию, интенсивность и структуру, чем адвективный подход (PySTEPS), и точнее предсказывает осадки 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 (целью является наблюдаемый радар). Генеративный подход DGMR уравновешивает интенсивность и объем 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 радара. Ни один метод не лишен ограничений, и необходимо больше работы 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 приложений в реальном мире.
Мы считаем, что это захватывающая область исследований, и мы надеемся, что наша статья послужит основой для новой работы, предоставляя данные и методы проверки, которые позволяют как обеспечить конкурентоспособную проверку, так и эксплуатационную полезность. Мы также надеемся, что это сотрудничество с Met Office будет способствовать большей интеграции машинного обучения и науки об окружающей среде, а также лучшей поддержке принятия решений в нашем меняющемся климате.
Прочитайте статью «Умелое прогнозирование осадков с использованием глубоких генеративных моделей радара» в выпуске Nature от 30 сентября 2021 г., в которой подробно обсуждается модель, данные и подход к проверке. Вы также можете изучить данные, которые мы использовали для обучения, и найти предварительно обученную модель для Великобритании через GitHub .