深度学习计算机系统会自动使用最少量的当前天气状况信息,提前五天准确预测极端天气事件(例如热浪)。
具有讽刺意味的是,自学习的“胶囊神经网络”使用天气预报的模拟方法,使计算机在1950年代过时了。在训练期间,它会检查数百对地图。每张图都显示了五公里高处的表面温度和气压,每对都相隔数天显示了这些状况。
培训包括产生极端天气的场景-扩展的冷热天气可能导致致命的热浪和冬季风暴。经过培训,该系统可以检查以前未曾见过的地图,并以85%的准确度对极端天气进行五天预报。
机械工程学和地球,环境学助理教授Pedram Hassanzadeh说,随着进一步的发展,该系统可以用作天气预报员的预警系统,并可以作为一种工具来了解有关导致极端天气的大气条件的更多信息。和莱斯大学的行星科学。Hassanzadeh是《地球系统建模进展杂志》上有关该系统研究的合著者。
基于美国国家航空航天局(NASA)的Terra卫星在2012年6月17日至24日热浪期间测得的美国表面温度的地图。颜色突出显示了2012年地表温度与前8天相同时间在相同位置测量的平均温度之间的差异11年温暖的温度以红色显示,接近正常的温度以白色显示,凉爽的温度以蓝色显示。(图片来源:J。Allen和A. Voiland / NASA地球观测站)
预测天气模式
自1950年代基于计算机的数字天气预报(NWP)出现以来,日常天气预报的准确性一直稳步提高。但是,即使有了改进的大气数值模型和更强大的计算机,NWP也无法可靠地预测极端事件,例如2003年法国和2010年俄罗斯的致命热浪。
“可能是我们需要更快的超级计算机才能以更高的分辨率求解数值天气预报模型的控制方程式,” Hassanzadeh说。“但是,由于我们不完全了解极端天气模式的物理条件和先兆条件,因此,无论我们投入多少计算能力,这些方程也可能不完全准确,并且它们也不会产生更好的预测。在。”
2017年底,哈桑扎德(Hassanzadeh)及其研究合著者和研究生Ashesh Chattopadhyay和Ebrahim Nabizadeh决定采用另一种方法。
“当您收到这些热浪或冷风时,如果您看一下天气图,您通常会发现喷流中有些奇怪的现象,异常现象,例如大浪或不动的高压系统。全部。”
“看来这是一个模式识别问题。因此,我们决定尝试将极端天气预报重新设计为模式识别问题,而不是数值问题。”