Искусственный интеллект от DeepMind предсказал дождь

Синоптики составляют прогноз погоды по данным целой сети для отслеживания того, что происходит на Земле. Это совокупность информации гидрологических и агрометеорологических станций, а также наблюдений за изменениями на земле, в воздухе и воде. И хотя сейчас мы легко можем узнать, стоит ли брать зонтик, ученым все еще сложно справляться с таким понятием, как текущая погода — точность прогноза до двух часов. Прогноз текущей погоды влияет на деятельность почти всех сфер жизни, в том числе служб экстренной помощи, энерго менеджмент, торговлю, системы раннего предупреждения о наводнениях, авиадиспетчерские и морские службы. Эффективный прогноз текущей погоды должен содержать точные прогнозы в нескольких пространственных и временных масштабах, учитывать неопределенность и проверяться вероятностно. Особенно важно, чтобы он мог определить вероятность сильных осадков, которые встречаются реже, но гораздо более критично влияют на жизнь. Современные оперативные методы прогнозирования текущей погоды обычно обращают внимание на адвекцию холодных, теплых, сухих и влажных воздушных масс с помощью радиолокационных оценок ветра. Однако, они не позволяют уловить важные нелинейные события — конвективные явления, связанные с нисходящими потоками воздуха в зонах кучево-дождевых облаков. К таким относятся и опасные явления шквалов ветра, смерчей, града и ливней.

Действительно, когда нам нужно учитывать большое количество параметров и на их основе строить предположения, лучше это доверить искусственному интеллекту. Нейронные сети уже умеют это делать и их активно используют. Однако несмотря на то, что они точно предсказывают осадки низкой интенсивности, их возможности ограничены размытыми прогнозами. Все дело в том, что популярные и гораздо более точные методы ансамблевого прогнозирования, которые позволяют не только более точно прогнозировать состояние атмосферы, но и оценить достоверность оценки, в отличие от детерминированного прогноза, многократно воспроизводят несколько моделей атмосферы. И так в долгосрочной перспективе они действительно намного более эффективны, но не могут точно прогнозировать погоду на ближайшие 2:00 просто потому что не успевают «разогнать» предсказательные алгоритмы для создания нескольких реалистичных прогнозов осадков по данным о состоянии атмосферы.

Альтернативой показалось использования дополнительно данных с радаров. Метеорологическая служба Великобритании получает радарные изображения каждые пять минут, а алгоритмы вероятностного прогнозирования текущей погоды, такие как PySTEPS, например, моделируют осадки, сравнивая физику движения воздушных масс с радиоканалом. Однако информацию о нелинейных событиях неожиданного возникновения конвекции и осадков они предоставить не могут. Их прогнозы способны или предусмотреть конкретное место, где следует ожидать осадков, или время, но не способны делать это одновременно, что уменьшает ценность их прогнозов. Ученые считают, что одновременные согласованные предсказания в пространстве, и во времени, можно получить обучая эти модели на больших массивах радиолокационных наблюдений, а не полагаясь на встроенные физические предположения. На этом и основана новая работа разработчиков DeepMind.

Чтобы создавать более точные прогнозы, в DeepMind использовали глубинные генеративные модели (deep generative models, DGMs). Это статистические модели, которые изучают вероятность распределения данных и позволяют легко создавать выборки из полученных ими распределений. Поскольку генеративные модели является вероятностными, они могут моделировать множество выборок по данным наблюдений радаров, создавая набор прогнозов, подобно ансамблевым методам. Новая нейросеть делает прогноз погоды, моделируя возможные данные радара, учитывая предыдущие радиолокационные оценки. Так она берет четыре последовательных набора данных с радаров (предыдущие 20 минут), а затем пытается понять, какими они будут в последующие полтора часа. Для этого необходимы две генеративные соревновательные нейросети. Цель первой — отличать отдельные наблюдаемые радиолокационные данные от сгенерированных, а второй — различать наблюдаемые и сгенерированные радиолокационные последовательности. Это обеспечивает временную и пространственную согласованность, а также препятствует ошибочным прогнозам. Подход очень похож на нейросети, которые способны создавать видео — по сути, последовательность кадров.

Так созданная модель может предусматривать погодные явления меньшего масштаба, которые по своей природе трудно предсказать, а также предсказывает место выпадение осадков так же точно, как и системы, настроенные на эту задачу, сохраняя при этом пространственно-временные характеристики. Она смогла предсказать средние (интенсивность более 5 миллиметров в час) и сильные (интенсивность более 10 миллиметров в час) дожди за полчаса, час и полтора часа, которые ученые сравнивали с данными о погоде за 2019 год. Затем они провели двухэтапный опрос группы из 56 экспертов-метеорологов из Метеорологического бюро Великобритании. Их попросили сравнить прогнозы новой нейросети, прогнозы уже существующих моделей, а также и самим предоставить радарные данные. В итоге в 93% случаев метеорологи выбирали прогнозы текущей погоды созданной DeepMind модели. Хотя отметили, что такой генеративный метод хоть и обошел предыдущие модели, прогнозировать сильные осадки ему все еще не удается.

Перевод материала nauka.ua