"Искусственный интеллект"

Будущее искусственного интеллекта в прогнозировании погоды

Сегодняшние прогнозы погоды генерируются одними из самых современных компьютеров в мире. Как известно, прогнозы погоды очень непредсказуемы. Это связано с тем, что климат - очень сложное и изменчивое явление, для оценки которого требуется много денег, данных и времени. В отношении прогнозов погоды будущее может пойти по совершенно иному пути: и это будущее - за А.И.

Как работает прогнозирование в настоящее время и почему оно проблематично

В течение нескольких десятилетий прогнозирование погоды делалось таким же образом: суперкомпьютеры обрабатывают огромные объемы атмосферных и океанических данных. Прогнозирующие компании собирают данные с метеостанций и интегрируют их с данными из различных источников, таких как океанские буи и независимые погодные трекеры. Затем эти данные анализируются с использованием моделей, имитирующих физику гидродинамики в погодных условиях, что требует значительных вычислительных мощностей, часов для завершения и значительных денежных средств для сбора и обработки. В настоящее время совместная потребность в скорости и точности прогнозов подвергает испытанию даже самые изощренные погодные алгоритмы.

Мониторы погоды в обсерваториях, на суше и в воде предоставляют поток климатических и погодных данных по всему миру. Он слишком велик и сложен для людей или даже для стандартных компьютерных сетей, чтобы анализировать и искать сходства. И это проблема, потому что если этот каскад данных не может быть полностью проанализирован, это пустая трата времени и памяти. Поскольку навыки распознавания образов в искусственном интеллекте специально созданы для такой работы, исследователи для этого используют машинное обучение, нейронные сети и глубокое обучение. Огромные объемы данных могут быть помещены в алгоритмы, которые затем могут узнать, как и когда обнаруживать шторм, который может вызвать молнии или торнадо. Он обнаруживает тенденции, которые могут привести к катастрофическим ураганам или сильным зимним штормам.

Проекты AI по прогнозированию погоды

Совместные исследования Вашингтонского университета и Microsoft Research демонстрируют, как искусственный интеллект может изучать предыдущие климатические модели для более быстрого и почти такого же точного прогнозирования событий в будущем, как и современные технологии. Вместо сложных физических вычислений недавно созданная глобальная модель погоды основывала свои прогнозы на информации о погоде за последние 40 лет. Хотя эта схема менее эффективна, чем лучшие современные модели прогнозирования, она требует в 7000 раз меньше мощности компьютера для создания прогнозов для такого же количества точек на всей планете. Это сокращение компьютерного труда приводит к более быстрым прогнозам погоды. Эти более быстрые прогнозы позволили бы метеорологическим компаниям запускать множество моделей с незначительно изменяющимися стартовыми условиями. Этот подход к прогнозированию погоды известен как «ансамблевое прогнозирование», что позволяет прогнозистам охватить диапазон возможных результатов метеорологического явления, например, места, где может ударить шторм. «После тренировки по предыдущей информации о погоде, A.I. Система способна создавать связи между параметрами, которые физические модели просто не могут сделать », - пояснил Вейн. «Мы можем использовать гораздо меньше переменных и в результате создать модель, которая будет работать значительно быстрее». Исследователи наложили шесть сторон куба на всю планету (тот же подход к модели, описанной позже в отрывке), чтобы объединить эффективный ИИ. подходит с прогнозом погоды. Наконец, как и в случае с архитектурным принтом, они сгладили шесть граней куба. Из-за особого значения полюсов для климата исследователи применили уникальные полярные грани, чтобы повысить точность прогнозов.

По сравнению со старой методологией прогнозирования погоды, выполнение которой занимает 3 часа и требует 30 миллионов евро на компьютерное оборудование, новый метод прогнозирования погоды Deep Weather уже показал себя быстрее и дешевле. Deep Weather, используя компьютер стоимостью 10 000 евро, может сделать такой же прогноз за 100 миллисекунд, что будет значительным увеличением. Алгоритмы машинного обучения используются для прогнозирования искусственного интеллекта. Используя методы линейной регрессии для анализа более сложных данных за более короткий промежуток времени, метеорологи теперь могут делать более точные прогнозы, спасая жизни. Другие прогнозы, с которыми может помочь машинное обучение, включают температуру, глубину воды и влажность.

Численное прогнозирование погоды - одна из таких выдающихся моделей. Чтобы обеспечить краткосрочные прогнозы погоды, модель исследует и пытается манипулировать огромными наборами данных, передаваемых с метеорологических спутников, ретрансляторов сигналов и радиозондов. Искусственные нейронные сети, групповые нейронные сети, сети обратного распространения, радиальные базовые сети, нейронные сети общей регрессии, генетические алгоритмы, многослойный персептрон и нечеткая кластеризация - вот некоторые подходы ИИ для прогнозирования погоды. Исследователи могут создавать надежные прогнозы осадков на шесть часов вперед, используя технологию прогнозирования искусственного интеллекта Google, основанную на сверточной нейронной сети UNET (CNN). CNN - это серия этапов математических процессов. Он принимает спутниковые изображения в качестве входных и преобразует их в исходящие изображения. Эта архитектура U-Net состоит из двух сверточных нейронных сетей, вторая из которых работает в обратном порядке в процессе кодирования-декодирования.

Как делается прогноз с помощью сверточной нейронной сети

Прогноз погоды с глубоким обучением (DLWP) - одна из моделей погоды, которые используют CNN UNET. Он принимает начальные состояния атмосферы в качестве входных данных и предсказывает состояние атмосферы в заданное время в будущем. Модель использует исторические данные о погодных условиях, которые передаются в сеть на этапе обучения. Прогнозы погоды выполняются в три этапа.

На первом этапе исследователи наносят на карту прогнозы с использованием «подхода кубической сферы», в котором Земля ограничена шестью гранями куба, как показано выше. Затем этот куб сглаживается, что позволяет исследователям сосредоточиться на одной грани куба за раз.

На втором этапе исследователи сосредотачиваются на архитектуре нейронной сети, как показано на рисунке выше. Все оранжевые стрелки представляют собой двумерные свертки, в которых используются фильтры для извлечения функций из входных данных. Зеленые и фиолетовые стрелки представляют слои объединения, где изображение в первой сети подвергается субдискретизации, что приводит к меньшему количеству параметров в сети, а изображение подвергается повышающей дискретизации во второй сети, поэтому оно возвращается к своему исходному размеру. Линии сине-желтого цвета представляют собой пропускаемые соединения, при которых определенные слои модели пропускаются, а выходные данные одних слоев передаются в качестве входных данных для других слоев.

Наконец, эти прогнозы стабилизируются в среднесрочной и долгосрочной перспективе с использованием методов прогнозирования последовательности. Этот метод прогнозирования последовательности, описанный выше, даст 6-часовой прогноз и 12-часовой прогноз, поскольку входные данные текущего времени и текущего времени минус 6 часов вводятся в архитектуру. Они используют эти же методы для прогнозирования каждые два шага с прогнозом на 18 часов и 24 часа. Модель улучшает себя, вычисляя среднеквадратическую ошибку разницы между фактическими данными в каждый момент времени и прогнозом, который она предсказывает на то же время. Затем модель использует эту среднеквадратическую ошибку для настройки ошибок в архитектуре.

Вывод

Таким образом, цель этой статьи - показать, как модели искусственного интеллекта генерируют прогнозы погоды и как они могут конкурировать с существующими системами прогнозирования погоды в будущем в денежном выражении, скорости и хранении данных.

Если вам интересно узнать больше о конкретных исследованиях и темах, обсуждаемых в отрывке, ознакомьтесь с приведенными ниже ссылками.

использованная литература

  1. Х. Хики, А. Модель обещает генерировать более быстрые и точные прогнозы погоды (2020), UW News
  2. С. Годен, Почему ИИ становится все более важным инструментом в прогнозировании погоды (2020 г.), Hewlett Packard Enterprise
  3. Балансировка энергосистем с использованием прогнозов погоды AI в реальном времени (2021 г.), Peltarion
  4. Притипадма, КАК ИИ УЛУЧШАЕТ ТЕХНОЛОГИЮ ПРОГНОЗИРОВАНИЯ ПОГОДЫ? (2020 г.), Analytics Insight
  5. Л. Бушар, ИИ предсказывает более быстрые и точные прогнозы погоды (2020 г.), На пути к ИИ