A fost anul 340 î.Hr. când Aristotel, binecunoscutul filozof grec, a scris „Meterologie", un tratat în care a cochetat cu predicții. Aristotel credea că meteorologia era „toate efectele care pot fi numite comune aerului și apei și formelor și părților Pământului și efectelor părților sale”, iar adevărul este că nu a fost departe de marca nici cu abordarea științei atmosferice.
De atunci a plouat mult și au evoluat prognozele meteo, folosind imagini multispectrale, stații terestre care măsoară vântul și precipitațiile href="https://es.wikipedia.org/wiki/Radar_Doppler">Radar Doppler care măsoară precipitațiile în timp real... Dar acum Google vrea să meargă mai departe și să să aplice inteligența artificială în predicția ploii, iar primele rezultate ale „nowcast-ului de înaltă rezoluție” sunt foarte interesante.
Inteligenta artificiala pentru a prezice ploaia
Potrivit Google, „nowcasting de înaltă rezoluție este un instrument esențial necesar pentru adaptarea eficientă la schimbările climatice, în special pentru vreme extremă”. Compania oferă exemplu de furtuni localizate sau de evenimente care evoluează pe scări orare, cum ar fi furtuni.
Modelul său de învățare automată este conceput pentru a aborda aceste tipuri de evenimente, făcând „predicții imediate” care se aplică în mod local. viitor.” Avantajul modelului de învățare automată este că, dacă există deja un model antrenat, inferența este „ieftintă din punct de vedere computațional”, iar previziunile sunt aproape instantanee. Google se concentrează pe prognoza imediată (una care acoperă următoarele șase ore), iar AI-ul său poate genera prognoze cu o rezoluție de un kilometru pătrat cu o latență între cinci și zece minute, inclusiv colectarea datelor în acea perioadă de timp.
Ei subliniază de la Google că existența ploii este legată de existența norilor, dar că „nu este perfect corelată”. La fel, ei explică că datele radar provin de la stații terestre și nu sunt de obicei disponibile în oceane, pe lângă faptul că acoperirea variază geografic. Așadar, Google a optat pentru o abordare „bazată pe date, fără fizică”. Ce înseamnă asta?:
„Înseamnă că rețeaua neuronală va învăța să aproximeze fizica atmosferică doar din exemplele de antrenament, nu prin încorporarea cunoștințelor priori despre cum funcționează cu adevărat atmosfera [...].
Având în vedere o secvență de imagini radar pentru ultima oră, estimam care va fi imaginea radar peste N ore, unde N variază de obicei între 0 și 6 ore. Deoarece datele radar sunt organizate în imagini, putem prezenta această predicție ca o problemă de viziune computerizată, deducând evoluția meteorologică din secvența imaginii de intrare.”
Pentru a face acest lucru, Google a folosit un tip de rețea neuronală convoluțională numită U-Net. Acestea au o succesiune de straturi dispuse în faza de codificare care reduc rezoluția imaginilor care trec prin ele. Ulterior, într-o fază de decodare, aceste reprezentări cu rezoluție scăzută sunt extinse la rezoluții mai mari.
Structura generală a U-Net de la Google.
Intrarea U-Net este o imagine care conține un canal pentru fiecare imagine de satelit multispectral. De exemplu, dacă introducem zece imagini satelit realizate cu zece lungimi de undă diferite în ultima oră în model, intrarea modelului este o imagine cu 100 de canale.
De altfel, Google a antrenat rețeaua folosind observații istorice din Statele Unite din 2017 până în 2019. Datele au fost împărțite în perioade de patru săptămâni, în care primele trei săptămâni au fost folosite pentru antrenament și a patra săptămână pentru evaluare. Ulterior, rezultatele au fost comparate cu prognoza a trei modele tradiționale: High-Resolution Rapid Refresh (HRRR) de la NOAA, a optical. href="https://en.wikipedia.org/wiki/Weather_forecasting#Persistence">model de persistență.
Problema cu algoritmii de flux optic este că ei încearcă să urmărească obiectele în mișcare printr-o secvență de imagini, iar în cazul precipitațiilor, cantitățile totale de precipitații pe suprafețe mari sunt presupuse a fi constante pe durata predicției. Modelul de persistență, la rândul său, se bazează pe condițiile de astăzi pentru a le prezice pe cele de mâine. „Poate părea un model prea simplist pentru a fi comparat, dar este o practică obișnuită, având în vedere dificultatea predicției climatice”, explică ei de la Google.
Stânga: previziuni pentru ploaie slabă. Dreapta: previziuni pentru ploi moderate.
Rezultatele au fost aranjate într-un grafic de precizie și reamintire. Predicțiile Google sunt linia albastră și, din moment ce Google nu are acces direct la modelul HRRR și nici modelul de persistență și nici algoritmul de flux optic nu au capacitatea de a face schimb de precizie și de reamintire, predicțiile sale sunt reprezentate de puncte.
„După cum puteți vedea, calitatea prognozei rețelei noastre neuronale depășește aceste trei modele (deoarece linia albastră este mai presus de toate rezultatele celorlalte modele)”, subliniază ei de la Google, care recunosc că „este important să rețineți că modelul HRRR începe să depășească rezultatele noastre actuale când orizontul de predicție atinge aproximativ cinci sau șase ore.”
Cu toate acestea, ei afirmă că unul dintre avantajele modelului lor este că „predicțiile sunt efectiv instantanee”, în timp ce HRRR are o latență de calcul de una până la trei ore. Cu alte cuvinte, modelul Google este mai eficient pentru predicții pe termen foarte scurt, în timp ce modelul HRRR este mai eficient pe termen lung
Mai multe informații| Google