Los ingenieros de la Universidad de Rice han creado un sistema informático de aprendizaje profundo que se enseñó a sí mismo a predecir con precisión los eventos climáticos extremos, como las olas de calor, con hasta cinco días de anticipación utilizando información mínima sobre las condiciones climáticas actuales.
Irónicamente, la "red neuronal cápsula" de autoaprendizaje de Rice utiliza un método analógico de pronóstico del tiempo que las computadoras quedaron obsoletas en la década de 1950. Durante el entrenamiento, examina cientos de pares de mapas. Cada mapa muestra las temperaturas de la superficie y las presiones del aire a las cinco horas.kilómetros de altura, y cada par muestra esas condiciones con varios días de diferencia. El entrenamiento incluye escenarios que produjeron condiciones climáticas extremas: períodos prolongados de calor y frío que pueden conducir a olas de calor letales y tormentas de invierno. Una vez entrenado, el sistema pudo examinar mapas.no había visto previamente ni había hecho pronósticos de cinco días de clima extremo con una precisión del 85%.
Con un mayor desarrollo, el sistema podría servir como un sistema de alerta temprana para los pronosticadores del clima y como una herramienta para aprender más sobre las condiciones atmosféricas que conducen al clima extremo, dijo Pedram Hassanzadeh de Rice, coautor de un estudio sobre el sistemapublicado en línea esta semana en la American Geophysical Union's Diario de avances en el modelado de sistemas terrestres .
La precisión de las predicciones meteorológicas del día a día ha mejorado constantemente desde la llegada de la predicción numérica del tiempo NWP por computadora en la década de 1950. Pero incluso con modelos numéricos mejorados de la atmósfera y computadoras más potentes, NWP no puede predecir de manera confiableeventos extremos como las olas de calor letales en Francia en 2003 y en Rusia en 2010.
"Puede ser que necesitemos supercomputadoras más rápidas para resolver las ecuaciones de gobierno de los modelos numéricos de predicción del tiempo en resoluciones más altas", dijo Hassanzadeh, profesor asistente de ingeniería mecánica y ciencias de la Tierra, el medio ambiente y el planeta en Rice ". Pero porqueno entendemos completamente la física y las condiciones precursoras de los patrones climáticos que causan extremos, también es posible que las ecuaciones no sean completamente precisas y no produzcan mejores pronósticos, sin importar cuánta potencia de computación le demos ".
A finales de 2017, Hassanzadeh y los coautores del estudio y estudiantes graduados Ashesh Chattopadhyay y Ebrahim Nabizadeh decidieron adoptar un enfoque diferente.
"Cuando obtienes estas olas de calor o períodos de frío, si miras el mapa del tiempo, a menudo verás un comportamiento extraño en la corriente en chorro, cosas anormales como olas grandes o un gran sistema de alta presión que no esse movió en absoluto ", dijo Hassanzadeh." Parecía que este era un problema de reconocimiento de patrones. Por lo tanto, decidimos tratar de reformular el pronóstico del clima extremo como un problema de reconocimiento de patrones en lugar de un problema numérico ".
El aprendizaje profundo es una forma de inteligencia artificial, en la cual las computadoras están "entrenadas" para tomar decisiones similares a las humanas sin ser programadas explícitamente para ellas. La base del aprendizaje profundo, la red neuronal convolucional, sobresale en el reconocimiento de patrones y es la tecnología clave paraautos sin conductor, reconocimiento facial, transcripción del habla y docenas de otros avances.
"Decidimos entrenar a nuestro modelo mostrándole muchos patrones de presión en los cinco kilómetros sobre la Tierra y diciéndole, para cada uno, 'Este no causó un clima extremo. Este causó una ola de calor enCalifornia. Esto no causó nada. Este causó una ola de frío en el noreste '', dijo Hassanzadeh. "No hay nada específico como Houston versus Dallas, sino más bien un sentido del área regional".
En ese momento, Hassanzadeh, Chattopadhyay y Nabizadeh apenas sabían que el pronóstico analógico había sido una vez el pilar de la predicción del clima e incluso tuvo un papel destacado en los aterrizajes del Día D en la Segunda Guerra Mundial.
"Una predicción unidireccional se hizo antes de que las computadoras vieran el patrón del sistema de presión hoy, y luego fueran a un catálogo de patrones anteriores y compararan e intentaran encontrar un patrón análogo, muy similar", dijo Hassanzadeh. "Siaquel llevó a llover sobre Francia después de tres días, el pronóstico sería de lluvia en Francia ".
Dijo que una de las ventajas de utilizar el aprendizaje profundo es que no era necesario decirle a la red neuronal qué buscar.
"No importaba que no entendiéramos completamente los precursores porque la red neuronal aprendió a encontrar esas conexiones por sí misma", dijo Hassanzadeh. "Aprendió qué patrones eran críticos para el clima extremo, y los usó para encontrar losmejor análogo "
Para demostrar una prueba de concepto, el equipo usó datos del modelo tomados de simulaciones de computadora realistas. El equipo había informado los primeros resultados con una red neuronal convolucional cuando Chattopadhyay, el autor principal del nuevo estudio, escuchó acerca de las redes neuronales de cápsulas,una nueva forma de aprendizaje profundo que debutó con fanfarria a fines de 2017, en parte porque fue una creación de Geoffrey Hinton, el padre fundador del aprendizaje profundo basado en redes neuronales convolucionales.
A diferencia de las redes neuronales convolucionales, las redes neuronales de cápsula pueden reconocer relaciones espaciales relativas, que son importantes en la evolución de los patrones climáticos ". Las posiciones relativas de los patrones de presión, los altibajos que se ven en los mapas meteorológicos, son el factor clave para determinarcómo evoluciona el clima ", dijo Hassanzadeh.
Otra ventaja significativa de las redes neuronales de la cápsula es que no requieren tantos datos de entrenamiento como las redes neuronales convolucionales. Solo hay alrededor de 40 años de datos meteorológicos de alta calidad de la era del satélite, y el equipo de Hassanzadeh está trabajando para entrenar su cápsulared neuronal sobre datos de observación y compare sus pronósticos con los de los modelos de PNT de última generación.
"Nuestro objetivo inmediato es extender nuestro tiempo de previsión a más de 10 días, donde los modelos de PNT tienen debilidades", dijo.
Aunque se necesita mucho más trabajo antes de que el sistema de Rice pueda incorporarse a los pronósticos operativos, Hassanzadeh espera que eventualmente mejore los pronósticos de olas de calor y otras condiciones climáticas extremas.
"No estamos sugiriendo que al final del día esto va a reemplazar a NWP", dijo. "Pero esta podría ser una guía útil para NWP. Computacionalmente, esta podría ser una forma súper barata de proporcionar alguna orientación,una alerta temprana, que le permite concentrar los recursos de PNT específicamente donde es probable que haya clima extremo "
Hassanzadeh dijo que su equipo también está interesado en descubrir qué patrones usa la red neuronal de la cápsula para hacer sus predicciones.
"Queremos aprovechar las ideas de la IA inteligencia artificial explicable para interpretar lo que está haciendo la red neuronal", dijo. "Esto podría ayudarnos a identificar los precursores de los patrones climáticos de causas extremas y mejorar nuestra comprensión de su física."
Fuente de la historia :
Materiales proporcionado por Universidad de Rice . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :