AI می آموزد برای پیش بینی آب و هوا به مدرسه راه

یک یادگیری عمیق سیستم کامپیوتر تدریس خود را به دقت پیش بینی حوادث آب و هوایی شدید مانند امواج گرما تا پنج روز پیش با استفاده از حداقل اطلاعات در مورد شرایط آب و هوایی فعلی.

جالب اینجاست که خود یادگیری “کپسول شبکه عصبی” با استفاده از آنالوگ به روش پیش بینی آب و هوا است که رایانه ها ساخته شده و منسوخ در 1950s. در طول آموزش این بررسی صدها جفت از نقشه. هر نقشه را نشان می دهد سطح درجه حرارت و فشار هوا در پنج کیلومتر ارتفاع و هر جفت را نشان می دهد این شرایط چند روز از هم جدا.

این آموزش شامل حالات است که تولید شدید آب و هوا—تمدید سرد و گرم جادوها است که می تواند منجر به مرگبار امواج گرما و طوفان های زمستانی. یک بار آموزش این سیستم می تواند بررسی نقشه های آن را قبلا دیده اند و پنج روز پیش بینی آب و هوا با دقت 85%.

با توسعه بیشتر سیستم می تواند به عنوان یک سیستم هشدار دهنده برای پیش بینی آب و هوا به عنوان یک ابزار برای یادگیری بیشتر در مورد شرایط جوی که منجر به شدید آب و هوا می گوید: پدرام حسن زاده استادیار مهندسی مکانیک و زمین, محیط زیست و علوم سیاره ای در دانشگاه رایس است. حسن زاده است coauthor از یک مطالعه بر روی سیستم در مجله پیشرفت در مدلسازی سیستم های زمین.

Cooler than average temperatures are shown in Canada and the northern midwestern states in blue with warmer than average temperatures across much of the mainland US in red
یک نقشه بر اساس ما در سطح درجه حرارت اندازه گیری شده توسط ناسا ترا ماهواره ای در طول موج گرما ژوئن 17-24, 2012. رنگ برجسته کردن تفاوت بین 2012 دمای سطح و متوسط درجه حرارت اندازه گیری شده در همان محل در همان هشت روز دوره قبل از 11 سال. گرمتر از میانگین درجه حرارت نشان داده شده در نزدیکی دمای معمولی سفید و کولر-از-میانگین درجه حرارت در آبی. (اعتبار: J. Allen و A. Voiland/ناسا رصدخانه زمین)

پیش بینی آب و هوا الگوهای

دقت روز به روز آب و هوا پیش بینی بهبود یافته است به طور پیوسته از ظهور مبتنی بر کامپیوتر های عددی پیش بینی آب و هوا (NWP) در 1950s. اما حتی با بهبود مدلهای عددی جو و قدرتمند تر, کامپیوتر, NWP نمی تواند قابل اعتماد پیش بینی حوادث شدید مثل مرگبار امواج گرما در فرانسه در سال 2003 و در روسیه در سال 2010.

“ممکن است که ما نیاز به ابر رایانه سریع تر برای حل معادلات حاکم از روش عددی مدل های پیش بینی آب و هوا در قطعنامه های بالاتر می گوید:” حسن زاده. “اما از آنجا که ما نمی به طور کامل درک فیزیک و پیشرو در شرایط شدید-ایجاد الگوهای آب و هوایی آن را نیز ممکن است که معادلات نیست به طور کامل و دقیق, و آنها نمی خواهند تولید پیش بینی بهتر, مهم نیست که چقدر قدرت محاسباتی ما قرار داده است.”

در اواخر سال 2017 حسن زاده و مطالعه نویسندگان و دانشجویان تحصیلات تکمیلی Ashesh Chattopadhyay و ابراهیم نبی زاده تصمیم به گرفتن یک رویکرد متفاوت است.

“هنگامی که شما دریافت این امواج گرما یا سرما جادوها اگر شما نگاهی به نقشه آب و هوا, شما اغلب خواهید برای دیدن برخی از عجیب و غریب رفتار جت جریان غیر طبیعی چیزهایی مانند امواج بزرگ و یا یک فشار سیستم است که در حال حرکت در همه” حسن زاده می گوید.

“به نظر می رسید مانند این بود که یک الگوی تشخیص مشکل است. بنابراین ما تصمیم به سعی کنید به reformulate شدید آب و هوا پیش بینی به عنوان یک الگوی تشخیص مشکل به جای عددی مشکل است.”

A map shows extremely cold temperatures in the midwest and northeast, with warmer temperatures in the west and south, shown in red and orange
یک نقشه از شب درجه حرارت بالا در 30 ژانویه 2019 بر اساس NOAA زمان واقعی Mesoscale تجزیه و تحلیل (RTMA) داده است. موج سرما که زده غرب میانۀ ایالات متحده و شرق کانادا در اواخر ماه ژانویه 2019 به کشته شدن بیش از 20 نفر و تولید سردترین دما در بیش از 20 سال بیش از حد از این منطقه است. (اعتبار: NOAA بر اساس RTMA داده ها از استیو لوین/NCEP)

بازگشت به روش های قدیمی

یادگیری عمیق است یک شکل از هوش مصنوعی که در آن کامپیوتر “آموزش” را humanlike تصمیمات بدون اینکه به صراحت در برنامه ریزی برای آنها. تكیه عمیق یادگیری در شبکه های عصبی کانولوشن, برتری در تشخیص الگو و کلیدی فناوری self-driving cars, تشخیص چهره و گفتار و رونویسی و ده ها تن از دیگر پیشرفت.

“ما تصمیم به آموزش مدل ما با نشان دادن آن بسیاری از الگوهای فشار در پنج کیلومتری [درباره 3.1 مایل] بالای زمین و گفتن آن برای هر یک از این یکی نمی تواند آب و هوایی شدید. این یکی ناشی از موج گرما در کالیفرنیا است. این یکی نمی تواند هر چیزی. این یکی باعث طلسم سرد در جنوب,'” حسن زاده می گوید. “چیزی خاص مانند هوستون برابر دالاس اما بیشتر از یک حس از منطقه ای است.”

در آن زمان حسن زاده, Chattopadhyay و نبی زاده به سختی آگاه باشید که آنالوگ پیش بینی شده بود یک بار یک تكیه آب و هوا پیش بینی و حتی تا به حال یک طبقه نقش در فرود D-روز در جنگ جهانی دوم است.

“یکی از راه های پیش بینی انجام شد قبل از کامپیوتر است که آنها را در فشار سیستم الگوی امروز و سپس رفتن به یک فروشگاه از الگوهای قبلی و مقایسه کنید و سعی کنید برای پیدا کردن یک آنالوگ از نزدیک شبیه الگوی” حسن زاده می گوید. “در صورتی که یکی منجر به باران بیش فرانسه پس از سه روز هوا خواهد بود برای بارش باران در فرانسه است.”

او می گوید: یکی از مزایای استفاده از یادگیری عمیق است که شبکه عصبی لازم نیست گفته شود آنچه به دنبال.

“این مهم نیست که ما کاملا نمی دانند که پیش سازهای چون شبکه عصبی یاد گرفتم برای پیدا کردن کسانی که اتصالات خود را” حسن زاده می گوید. “آن آموخته است که الگوهای ما حیاتی بود و برای آب و هوای شدید و آن استفاده از آن برای پیدا کردن بهترین آنالوگ.”

تست هوش مصنوعی سیستم

برای نشان دادن یک اثبات مفهوم این تیم با استفاده از مدل داده های گرفته شده از واقع گرایانه شبیه سازی های کامپیوتری. این تیم تا به حال گزارش شده نتایج اولیه با شبکه های عصبی کانولوشن زمانی که Chattopadhyay نویسنده سرب از مطالعه جدید در مورد کپسول شبکه های عصبی. کپسول شبکه عصبی شد و شکل جدیدی از یادگیری عمیق است که عرضه با هیاهو در اواخر سال 2017, در بخشی به دلیل آن را زاییده افکار از جفری Hinton, پدر و بنیانگذار شبکه های عصبی کانولوشن مبتنی بر یادگیری عمیق.

بر خلاف convolutional شبکه های عصبی, کپسول شبکه های عصبی می تواند تشخیص نسبی روابط فضایی که مهم هستند در تکامل الگوهای آب و هوایی.

“موقعیت نسبی از الگوهای فشار های بالا و پایین شما را در نقشه آب و هوا هستند عامل کلیدی در تعیین چگونگی آب و تکامل می یابد” حسن زاده می گوید.

یکی دیگر از مزیت های قابل توجهی از کپسول شبکه های عصبی بود که آنها نمی نیاز به مقدار داده های آموزشی به عنوان convolutional شبکه های عصبی. وجود دارد تنها در حدود 40 سال با کیفیت بالا و اطلاعات آب و هوا از ماهواره دوران و حسن زاده را از تیم در حال کار برای آموزش آن کپسول شبکه های عصبی در داده مشاهدهای و مقایسه پیش بینی های خود را با کسانی که از دولت از هنر NWP مدل.

“هدف فوری ما این است که به گسترش پیش بینی ما هم منجر شود به فراتر از 10 روز که در آن NWP مدل های ضعف” او می گوید.

هر چند کار بسیار بیشتری لازم است قبل از سیستم جدید می تواند گنجانیده شده عملیاتی پیش بینی حسن زاده به امید آن ممکن است در نهایت بهبود پیش بینی امواج گرما و آب و هوایی شدید.

“ما نشان می دهد که در پایان روز این است که به جای NWP,” او می گوید. “اما این ممکن است یک راهنمای مفید برای NWP. محاسباتی این می تواند فوق العاده ارزان راه برای ارائه برخی از راهنمایی های هشدار اولیه است که اجازه می دهد تا شما را به تمرکز NWP منابع خاص که در آن آب و هوا است به احتمال زیاد.”

حسن زاده می گوید تیم او نیز علاقه مند به پیدا کردن آنچه که الگوهای کپسول شبکه عصبی با استفاده از خود را پیش بینی.

“ما می خواهیم به اهرم ایده ها از توجیه AI (هوش مصنوعی) برای تفسیر آنچه از شبکه های عصبی مصنوعی انجام شده است,” او می گوید. “این ممکن است کمک به ما در شناسایی آنرا به شدید-ایجاد الگوهای آب و هوایی و بهبود درک ما از فیزیک خود را.”

حمایت از تحقیق و پژوهش در آمد از ناسا و آکادمی ملی’ خلیج فارس برنامه های تحقیقاتی و BP با عملکرد بالا محاسبات تحصیلات تکمیلی کمک هزینه تحصیلی از برنج را Ken Kennedy موسسه. The Texas Advanced Computing مرکز و پیتسبورگ ابر مرکز تحت بنیاد ملی علوم حمایت XSEDE پروژه و برنج مرکز تحقیقات رایانه در همکاری با Ken Kennedy موسسه ارائه منابع محاسباتی برای این کار.

منبع: دانشگاه رایس

tinyurlis.gdv.gdv.htclck.ruulvis.netshrtco.de

Leave a reply

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>