System oparty na uczeniu maszynowym, który z dużą dokładnością i nawet pięciodniowym wyprzedzeniem przewiduje ekstremalne zjawiska pogodowe, w tym fale upałów, opracowali naukowcy z amerykańskiego Rice University.
Pedram Hassanzadeh współautor badania, które zostało opisane w magazynie „Journal of Advances in Modeling Earth Systems”, twierdzi, że może to być skuteczny system wczesnego ostrzegania przed ekstremalnymi zjawiskami pogodowymi, a także narzędzie, które pozwoli lepiej je poznać.
Co ciekawe, neuronowa sieć kapsułowa (ang. capsule neural network) wykorzystuje analogową metodę przepowiadania pogody, którą w latach 50. ubiegłego wieku wyparło wykorzystywanie komputerów. W czasie szkolenia system analizuje setki par map. Każda z nich pokazuje temperaturę powierzchni i ciśnienie powietrza na wysokości pięciu kilometrów - pomiędzy zapisami na każdej parze map jest kilka dni różnicy. Szkolenie obejmuje też scenariusze prowadzące do ekstremalnych zjawisk pogodowych.
Wyuczony system potrafił analizować mapy, których wcześniej mu nie prezentowano i umiał z 85-proc. dokładnością przewidzieć ekstremalne zjawiska nawet pięć dni wcześniej.
Dokładność prognoz poprawia się od czasu wprowadzenia w latach 50. ubiegłego wieku komputerowych prognoz numerycznych, ale nawet one nie zawsze są w stanie wskazać niebezpieczne zjawiska, jak fala upałów we Francji w 2003 r. czy siedem lat później w Rosji.
Jak tłumaczy Hassanzadeh, może to wynikać nie z faktu, że komputery nie są dostatecznie szybkie, ale z niepełnego rozumienia fizyki zjawisk. „Postanowiliśmy wyuczyć nasz model, pokazując mu wiele rozkładów ciśnienia na wysokości pięciu kilometrów nad ziemią i informując go: ten przypadek nie powoduje ekstremalnych zjawisk. A ten spowodował fale upałów nad Kalifornią. Ten nie powoduje niczego. Ten wywołał ochłodzenie na Północnym Wschodzie” – wyjaśnił.
Jedną z zalet uczenia maszynowego (ang. deep learning) jest to, że sieciom neuronowym nie trzeba mówić, czego mają szukać. „Nieważne, że nie rozumiemy do końca zwiastunów, bo sieci same uczą się znajdywać powiązania. Uczą się, które wzorce są kluczowe dla ekstremalnych zjawisk i szukają najlepiej pasującego odpowiednika” – dodał.
W odróżnieniu od splotowych sieci neuronowych, sieci kapsułowe potrafią rozpoznawać powiązania przestrzenne, co ma duże znaczenie przy wzorcach pogodowych. Ponadto nie wymagają aż tak rozbudowanego treningu.
Autorzy rozwiązania zapowiadają, że chcieliby rozszerzyć skuteczność swojego systemu do przepowiadania zjawisk z 10-dniowym wyprzedzeniem. (PAP)
mrt/ ekr/
Fundacja PAP zezwala na bezpłatny przedruk artykułów z Serwisu Nauka w Polsce pod warunkiem mailowego poinformowania nas raz w miesiącu o fakcie korzystania z serwisu oraz podania źródła artykułu. W portalach i serwisach internetowych prosimy o zamieszczenie podlinkowanego adresu: Źródło: naukawpolsce.pl, a w czasopismach adnotacji: Źródło: Serwis Nauka w Polsce - naukawpolsce.pl. Powyższe zezwolenie nie dotyczy: informacji z kategorii "Świat" oraz wszelkich fotografii i materiałów wideo.
