L’apprendimento profondo prevede con precisione ondate di calore, ondate di freddo

Gli ingegneri della Rice University hanno creato un sistema informatico di deep learning che ha imparato da solo a prevedere con precisione eventi meteorologici estremi, come le ondate di calore, fino a cinque giorni in anticipo utilizzando informazioni minime sulle condizioni meteorologiche attuali.

Ironia della sorte, la “rete neurale a capsula” di autoapprendimento di Rice utilizza un metodo analogico di previsione del tempo che i computer hanno reso obsoleto negli anni ’50. Durante l’addestramento, esamina centinaia di coppie di mappe. Ogni mappa mostra le temperature superficiali e le pressioni dell’aria a cinque chilometri di altezza e ogni coppia mostra queste condizioni a diversi giorni di distanza. La formazione include scenari che hanno prodotto condizioni meteorologiche estreme, periodi di caldo e freddo estesi che possono portare a ondate di calore mortali e tempeste invernali. Una volta addestrato, il sistema è stato in grado di esaminare mappe che non aveva visto in precedenza e di fare previsioni a cinque giorni di condizioni meteorologiche estreme con una precisione dell’85%.

Con un ulteriore sviluppo, il sistema potrebbe servire come sistema di allerta precoce per i meteorologi e come strumento per saperne di più sulle condizioni atmosferiche che portano a condizioni meteorologiche estreme, ha affermato Pedram Hassanzadeh di Rice, coautore di uno studio sul sistema pubblicato online. questa settimana nel Journal of Advances in Modeling Earth Systems dell’American Geophysical Union.

L’accuratezza delle previsioni meteorologiche giornaliere è migliorata costantemente dall’avvento delle previsioni meteorologiche numeriche (NWP) basate su computer negli anni ’50. Ma anche con modelli numerici dell’atmosfera migliorati e computer più potenti, NWP non può prevedere in modo affidabile eventi estremi come le ondate di calore mortali in Francia nel 2003 e in Russia nel 2010.

“Può darsi che abbiamo bisogno di supercomputer più veloci per risolvere le equazioni di governo dei modelli numerici di previsione del tempo a risoluzioni più elevate”, ha affermato Hassanzadeh, assistente professore di ingegneria meccanica e di scienze della Terra, dell’ambiente e planetarie alla Rice. “Ma poiché non comprendiamo appieno la fisica e le condizioni precursori dei modelli meteorologici estremi, è anche possibile che le equazioni non siano completamente accurate e non producano previsioni migliori, indipendentemente dalla potenza di calcolo che mettiamo. in.”

Alla fine del 2017, Hassanzadeh e i coautori dello studio e gli studenti laureati Ashesh Chattopadhyay e Ebrahim Nabizadeh hanno deciso di adottare un approccio diverso.

“Quando si verificano queste ondate di calore o ondate di freddo, se si guarda la mappa meteorologica, spesso si notano comportamenti strani nella corrente a getto, cose anomale come grandi onde o un grande sistema ad alta pressione che non si muove a tutto”, ha detto Hassanzadeh. “Sembrava che si trattasse di un problema di riconoscimento del modello. Così abbiamo deciso di provare a riformulare le previsioni meteorologiche estreme come un problema di riconoscimento del modello piuttosto che un problema numerico”.

Il deep learning è una forma di intelligenza artificiale, in cui i computer sono “addestrati” a prendere decisioni simili a quelle umane senza essere esplicitamente programmati per loro. Il pilastro del deep learning, la rete neurale convoluzionale, eccelle nel riconoscimento dei modelli ed è la tecnologia chiave per le auto a guida autonoma, il riconoscimento facciale, la trascrizione del parlato e dozzine di altri progressi.

“Abbiamo deciso di addestrare il nostro modello mostrandogli molti modelli di pressione nei cinque chilometri sopra la Terra e dicendogli, per ognuno, “Questo non ha causato condizioni meteorologiche estreme. Questo ha causato un’ondata di caldo in California. Questo non ha causato nulla. Questo ha causato un’ondata di freddo nel nord-est'”, ha detto Hassanzadeh. “Non qualcosa di specifico come Houston contro Dallas, ma più un senso dell’area regionale”.

A quel tempo, Hassanzadeh, Chattopadhyay e Nabizadeh erano a malapena consapevoli che le previsioni analogiche erano state un tempo un pilastro delle previsioni meteorologiche e avevano persino un ruolo storico negli sbarchi del D-Day nella seconda guerra mondiale.

“Un modo in cui la previsione è stata fatta prima che i computer guardassero il modello del sistema di pressione oggi, quindi andrebbero a un catalogo di modelli precedenti e confrontano e cercano di trovare un modello analogo, molto simile”, ha detto Hassanzadeh. “Se quello ha portato a piovere sulla Francia dopo tre giorni, la previsione sarebbe per pioggia in Francia”.

Ha detto che uno dei vantaggi dell’utilizzo del deep learning è che non è necessario dire alla rete neurale cosa cercare.

“Non importava che non comprendiamo appieno i precursori perché la rete neurale ha imparato a trovare quelle connessioni da sola”, ha detto Hassanzadeh. “Ha imparato quali modelli erano critici per condizioni meteorologiche estreme e li ha usati per trovare il miglior analogo”.

Per dimostrare un modello di prova, il team ha utilizzato i dati del modello presi da simulazioni realistiche al computer. Il team aveva riportato i primi risultati con una rete neurale convoluzionale quando Chattopadhyay, l’autore principale del nuovo studio, ha sentito parlare delle reti neurali a capsula, una nuova forma di apprendimento profondo che ha debuttato con fanfara alla fine del 2017, in parte perché è stato il frutto di Geoffrey Hinton, il padre fondatore del deep learning basato su reti neurali convoluzionali.

A differenza delle reti neurali convoluzionali, le reti neurali a capsula possono riconoscere le relazioni spaziali relative, che sono importanti nell’evoluzione dei modelli meteorologici.

“Le posizioni relative dei modelli di pressione, gli alti e i bassi che vedi sulle mappe meteorologiche, sono il fattore chiave nel determinare l’evoluzione del tempo”, ha detto Hassanzadeh.

Un altro vantaggio significativo delle reti neurali a capsula è che non richiedono tanti dati di addestramento quanto le reti neurali convoluzionali. Ci sono solo circa 40 anni di dati meteorologici di alta qualità dall’era dei satelliti e il team di Hassanzadeh sta lavorando per addestrare la sua rete neurale della capsula sui dati osservativi e confrontare le sue previsioni con quelle dei modelli NWP all’avanguardia.

“Il nostro obiettivo immediato è estendere il nostro lead time di previsione oltre i 10 giorni, dove i modelli NWP hanno punti deboli”, ha affermato.

Sebbene sia necessario molto più lavoro prima che il sistema di Rice possa essere incorporato nelle previsioni operative, Hassanzadeh spera che possa eventualmente migliorare le previsioni per le ondate di calore e altre condizioni meteorologiche estreme.

“Non stiamo suggerendo che alla fine della giornata questo sostituirà NWP”, ha detto. “Ma questa potrebbe essere una guida utile per NWP. Dal punto di vista computazionale, questo potrebbe essere un modo super economico per fornire alcune indicazioni, un avviso precoce, che ti permetta di concentrare le risorse NWP in modo specifico dove è probabile che condizioni meteorologiche estreme”.

Hassanzadeh ha affermato che il suo team è anche interessato a scoprire quali modelli utilizza la rete neurale della capsula per fare le sue previsioni.

“Vogliamo sfruttare le idee dell’IA spiegabile (intelligenza artificiale) per interpretare ciò che sta facendo la rete neurale”, ha affermato. “Questo potrebbe aiutarci a identificare i precursori di modelli meteorologici estremi e migliorare la nostra comprensione della loro fisica”.