DeepMind научила нейросеть предсказывать время и место дождей
DeepMind работала с британскими синоптиками, чтобы создать нейросеть, которая бы лучше справлялась с краткосрочными прогнозами, чем существующие системы. Компания разработала инструмент глубокого обучения под названием DGMR («глубокая генеративная модель дождя»), который может точно предсказать вероятность дождя в ближайшие 90 минут.
Getty Images
Несколько десятков экспертов сравнили новую модель и уже существующими и сделали вывод, что прогнозы DGMR являются более точными по целому ряду факторов, включая местоположение, протяженность зоны осадков, движение и интенсивность дождя. В 89% случаев прогнозы были точными.
DGMR улавливает циркуляцию, интенсивность и структуру лучше, чем подход адвекции (PySTEPS), и более точно предсказывает осадки и их движение. Нейросеть также генерирует точные прогнозы в отличие от детерминированных методов глубокого обучения (UNet).
Прогнозирование дождя, особенно сильного дождя, имеет решающее значение для многих отраслей. Определение количества воды в небе, а также времени и места ее выпадения зависит от ряда погодных процессов, таких как изменения температуры, образование облаков и ветер. Все эти факторы достаточно сложны сами по себе, поэтому данная задача прогнозирования считается самой трудной в метеорологии.
Сильные осадки в апреле 2019 года над восточной частью США. DGMR лучше предсказывает интенсивность и степень осадков по сравнению с подходом адвекции (PySTEPS) и детерминированным методом глубокого обучения (UNet)
Лучшие из существующих методов прогнозирования используют массовое компьютерное моделирование физики атмосферы. Они хорошо подходят для долгосрочного прогнозирования, но менее хороши для прогнозирования текущей погоды. Все предыдущие методы глубокого обучения, разработанные под эти цели, обычно хорошо справляются с одной задачей, например с прогнозированием местоположения осадков или их интенсивности.
Команда DeepMind обучила свой ИИ работе с данными радара. Многие страны в течение дня часто публикуют снимки с радаров, которые отслеживают формирование и движение облаков. В Великобритании, например, новые показания публикуются каждые пять минут. Объединение этих снимков дает покадровое видео, которое показывает, как движутся дождевые массы.
Обучение DGMR
Исследователи загрузили эти данные в глубокую генеративную сеть, похожую на GAN, которая обучена генерировать новые образцы данных, очень похожих на реальные из набора для обучения. DGMR научилась генерировать снимки радара, которые продолжали последовательность реальных измерений, как бы предугадывая, что будет дальше.
Последние 20 минут наблюдений радара используются для обеспечения прогнозов на следующие 90 минут в DGMR
Команда работала над проектом в течение нескольких лет. DeepMind отмечает, что теперь ее ИИ получит новое практическое применение. Предварительно обученная модель для Великобритании доступна на GitHub.
В DeepMind отметили, что прогнозирование сильных осадков за долгое время остается трудной задачей даже для нового подхода. Однако данная работа может послужить основой для сбора новых данных, разработки кода и методов проверки, а также для большей интеграции машинного обучения в сферу прогнозированиия.
В сентябре правительство Великобритании опубликовало национальную стратегию искусственного интеллекта. Документы содержат план «новой национальной программы и подхода к поддержке исследований и разработок» в сфере ИИ, а также материалы по управлению и регулированию сферы.
Сообщалось также, что Великобритания планирует использовать искусственный интеллект для предсказания движения облаков, чтобы нарастить выработку солнечной энергии. Оператор национальной сети электроснабжения National Grid ESO подписал соглашение с некоммерческой организацией Open Climate Fix о создании системы, которая сопоставляет движения облаков с точным расположением солнечных панелей. Оператор сети заявляет, что ПО поможет прогнозировать движение облаков в минутах и часах, а не в днях.
