Специалисты Google DeepMin разработали метод прогнозирование осадков с использованием глубоких генеративных моделей радаров, обеспечивающих точность и эффективность в 89 процентах случаев.
анонсы и реклама

Когда речь заходит о прогнозе погоды, метеорологи пытаются предсказать не только погоду на завтра. Помимо долгосрочных прогнозов, в задачи метеорологических моделей часто входит предсказание метеорологических условий на ближайший час или чуть больше, так называемый " текущий прогноз". В лаборатории искусственного интеллекта DeepMind, поддерживаемой компанией Google, исследователи добились значительного прогресса в точности прогнозирования осадков.

реклама



Только когда вы остановитесь и задумаетесь об этом, вы поймете, насколько важны краткосрочные прогнозы погоды - конечно, вы можете просто взять с собой зонтик, но при планировании крупных мероприятий, обслуживании транспорта, ликвидации последствий стихийных бедствий, обеспечении работы сельскохозяйственных фермерских хозяйств и многом другом минутные прогнозы имеют важнейшее значение.

В частности, новая технология получила первое место по точности и эффективности в 89 процентах случаев при сравнении с двумя альтернативными моделями. В ее основе лежит разновидность машинного обучения под названием генеративное моделирование, которое способно создавать новые данные после обучения на уже имеющихся.


Система генерирует короткие "радарные видеоролики". (DeepMind)

 

Главная функция новой модели, названной DGMR (Deep Generative Model of Rainfall), заключается в прогнозировании вероятности выпадения осадков в течение следующих одного-двух часов - и она была одобрена более чем 50 метеорологами из Met Office в Великобритании.


"Это сотрудничество между наукой об окружающей среде и искусственным интеллектом сосредоточено на важности для лиц, принимающих решения, открывая новые пути для прогнозирования дождя, и указывает на возможности искусственного интеллекта в поддержке нашего ответного действия на вызовы, связанные с принятием решений в условиях постоянных изменений", - пишет команда DeepMind Nowcasting Team в своем блоге.

Исследователи, стоящие за DGMR, описывают создание коротких "радарных видеороликов", которые генерируют будущие радарные картины на основе прошлых радарных картин - это тот вид экстраполяции, который хорошо удается машинному обучению (для более генеративных моделей см. создание поддельных лиц).

Многие современные инструменты прогнозирования погоды, включая pySTEPS, используют подходы численного прогнозирования погоды (NWP) - по сути, они используют математические модели для работы с настоящими условиями, чтобы определить, какими будут будущие условия. Это достаточно мощные модели, но они более эффективны в долгосрочной перспективе.

"Эти модели действительно удивительны с точки зрения предсказания погоды от шести часов до двух недель, но есть область - особенно от нуля до двух часов - в которой модели работают особенно плохо", - сказал Суман Равури, штатный научный сотрудник исследовательской группы DeepMind, в интервью The Guardian.

Цель DGMR - использовать огромные возможности искусственного интеллекта по обработке чисел и устранить некоторые нечеткости и расплывчатость существующих моделей прогнозирования на основе машинного обучения, включая U-Net - эти модели могут не справляться с обеспечением точности на всех этапах процесса.

Теперь, когда новая и более усовершенствованная модель DeepMind получила одобрение со стороны практикующих метеорологов в Великобритании, исследователи могут рассмотреть возможность ее интеграции в существующие системы прогнозирования погоды.

Однако впереди предстоит еще много работы, прежде чем вы сможете с абсолютной уверенностью сказать, сможете ли вы оставаться сухим в течение ближайших нескольких часов. В настоящее время команда DeepMind предпринимает попытки дальнейшего повышения точности DGMR.

"Ни один метод не лишен ограничений, и необходимо провести дополнительную работу для повышения точности долгосрочных прогнозов и точности в отношении редких и интенсивных событий", - отмечает команда.

"Будущая работа потребует от нас разработки дополнительных способов оценки эффективности и дальнейшей специализации этих методов для конкретных реальных приложений".

анонсы и реклама

Исследование было опубликовано в журнале Nature. 
https://www.nature.com/articles/s41586-021-03854-z

5
Показать комментарии (5)

Популярные новости

Сейчас обсуждают