所有文章 > 正文

如何应对未来恶劣气候?人工智能已成为天气预报的未来之星

作者: AMiner科技

时间: 2021-07-30 16:11

人工智能成为未来天气预测领域闪耀的明日之星!

作者丨雅利安·托杜普努里
编译丨艾安爽

编辑丨美玲

现在我们看到的天气预报是由世界上最复杂的计算机完成的。总所周知,天气预报并不能做到百分之百准确,因为气候是一个相当复杂、毫不稳定的现象,需要投入大量的资金、数据和时间来对其进行预测。未来,天气预测领域可能会走上一条截然不同的道路:那就是通过人工智能。
当今的天气预测运作机制和弊端


数十年来,天气预报一直采用同样的方法:超级计算机处理大量的大气和海洋数据;预测部门从气象站收集数据,并将其与各种不同来源的数据整合,如来自海洋浮标和独立天气跟踪器的数据。然后,使用模拟天气中流体动力学物理模型对这些数据进行分析,这一过程需要超强的处理能力、历经数小时才能完成,并需要大量资金来完成收集和处理工作。如今,人们对预测速度和预测准确性的迫切需求,让最先进的天气预测算法也面临着考验。


全世界的陆地和海洋观测站的天气监测器提供了大量的气候和天气数据。数据太多,又很复杂,因此人类甚至标准的计算机都难以分析和扫描相似性。那么问题来了:如果不能对级联数据进行充分分析,就会浪费时间和存储空间。而人工智能中的模式识别功能就是为这一工作量身定制的,因此研究人员正在使用机器学习、神经网络和深度学习来实现数据分析。海量数据会被输入算法,然后这些算法就可以学习如何以及何时侦察携带闪电或龙卷风而来的暴风雨。它也可以侦察出灾难性飓风或冬季风暴来临前的趋势。


人工智能预测天气

华盛顿大学和微软研究院的一项合作研究表明,人工智能可以通过研究以前的气候模式,更快速、准确(与当前水平几乎持平)地预测未来的气候。

新创建的全球天气模型不是基于复杂的物理计算,而是基于过去40年的天气信息进行预测。尽管这种设计没有当今最好的常规预测模型有效,但它对全球相同数量的点进行预测时所耗费的计算机能力要少7000倍。这大大减少了电脑的工作量,从而加快了天气预报的速度。这些迅速的预报将使气象部门能够在初始条件略有变化的情况下运行许多模型。这种方法被称为“集合预报”。集合预报中,预报员能够涵盖一个气象事件结果的可能范围,例如风暴可能影响的地方。“利用过去的天气信息进行训练后,人工智能系统能够在参数之间产生物理模型无法实现的连接,” Weyn解释道。“因此,我们可以使用更少的变量创建一个足够迅敏的模型。” 

研究人员将一个立方体的六面覆盖在整个地球上(与本文后面描述的模型采用的方法相同),将有效的人工智能方法与天气预测结合起来。最后,他们把立方体的六个面像建筑平面设计图一样展开铺平。由于两极在气候中具有特殊的重要性,研究人员以特殊的方法处理两极的情况,以提高预测的准确性。

传统的天气预报方法需要在耗费3000万欧元(约等于2.3亿人民币)的计算机硬件上运行3个小时才能完成。与之相比,Deep weather的新型天气预测方法是又快又省钱。Deep Weather仅使用一台价值1万欧元(越等于7.6万人民币)的电脑,就可以在100毫秒内做出同样的预测,这是很大的进步。机器学习算法被用来进行人工智能预测。使用线性回归技术在更短的时间内分析更复杂的数据,气象学家可以做出更准确的预测,拯救生命。机器学习也可以帮助预测温度、水深和湿度。

数值天气预报就是其中一个亮眼的模式。为了提供短期天气预报,该模型检查并操作从气象卫星、信号中继器和无线电探空仪传回的庞大数据集。人工神经网络、群神经网络、反向传播网络、径向基网络、一般回归神经网络、遗传算法、多层感知器和模糊聚类等都是人工智能用于天气预测的法宝。研究人员使用谷歌的人工智能预测技术可以提前6个小时做出可靠的降雨预报,而该技术是基于UNET卷积神经网络(CNN)。CNN纳入卫星图像,并将其转换输出为图片。该U-Net架构由两个卷积神经网络组成,第二个在编码解码过程中反向工作。


如何利用卷积神经网络进行预测

深度学习天气预报(DLWP)是使用UNET CNN的天气模型之一。它将初始大气状态作为输入,并预测给定未来时间点的大气状态。该模型基于天气模式的历史数据进行预测,而这些数据早在训练阶段就已经输入神经网络之中。DLWP的天气预测分为以下三个步骤完成:

图一


第一步,研究人员使用“立方体球体法”绘制预测图。该方法是把地球划分成一个立方体的六个面(如图1所示),然后该立方体被展开铺平,以便于研究人员专注研究立方体的一面。

图2

第二步,研究人员将重点放在神经网络的结构上(如图2所示)。所有橙色箭头表示二维卷积,使用过滤器从输入数据中提取特征。绿色和紫色的箭头表示池化层,其中第一个网络中的图像向下采样,这导致网络中的参数减少;而第二个网络中的图像向上采样,以使其回到原来的大小。蓝到黄的线表示跳过连接,其中有些层被略过,而一些层的输出将被作为其他层的输入。

图3最后,利用序列预测技术。一段时间后这些预测结果逐渐稳定。将当前时间和当前时间减去6小时两个时间点输入到结构中,上述序列预测技术将生成6小时和12小时的预测。他们使用相同的技术每两步预测一次,其中包括了18小时预测和24小时预测。该模型通过计算每次实际数据与预测数据之间差异的均方误差来不断改进提高,如改进结构的配置故障。


结论

本文介绍了人工智能模型是如何完成天气预测的,以及与现有的天气预测系统相比,它所具有的成本、速度和数据存储优势。这些优势将让人工智能成为未来天气预测领域闪耀的明日之星。话叙至此,如果你有兴趣了解更多关于文章中讨论的具体研究和主题,请查看下面的参考资料。

  1. https://www.washington.edu/news/2020/12/15/a-i-model-shows-promise-to-generate-faster-more-accurate-weather-forecasts/#:~:text=A%20collaboration%20between%20the%20University,more%20accurately%20than%20today's%20technology.&text=The%20simple%2C%20data%2Dbased%20A.I.
  2. https://www.hpe.com/us/en/insights/articles/why-ai-is-an-increasingly-important-tool-in-weather-prediction-2007.html#:~:text=The%20systems%20can%20be%20fed,both%20weather%20and%20climate%20datasets.
  3. https://peltarion.com/customer-stories/deep-learning-weather-forecast
  4. https://www.analyticsinsight.net/ai-empowering-weather-forecasting-technology/
  5. https://pub.towardsai.net/ai-is-predicting-faster-and-more-accurate-weather-forecasts-5d99a1d9c4f
二维码 扫码微信阅读
推荐阅读 更多