دانشمندان کامپیوتر در DeepMind و دانشگاه Exeter در انگلستان با همکاری هواشناسان Met Office یک مدل هوش مصنوعی ساختند که می تواند بارش باران را تا 90 دقیقه قبل از آن پیش بینی می شود.

روش های پیش بینی سنتی متکی بر حل معادلات پیچیده ای هستند که شرایط مختلف آب و هوایی مانند فشار هوا ، رطوبت و دمای جو زمین را در نظر می گیرند.

بر اساس مقاله ای که چهارشنبه در نشریه Nature منتشر شد ، مدلهای یادگیری عمیق برای پیش بینی های بیشتر در آینده مناسب تر هستند. استفاده از الگوریتم های هوش مصنوعی مزایایی دارد. آنها مجبور نیستند معادلات ترمودینامیکی را حل کنند و از نظر محاسباتی کمتر از سایر تکنیک های پیش بینی عمل می کنند.

این تیم به رهبری DeepMind یک شبکه تولید کننده (GAN) را آموزش داد تا دنباله ای از نقشه ها را نشان دهد که نمایانگر محل بارندگی هستند. هر یک از این نقشه های بارش نشان می دهد که در کجا رطوبت در جو جمع می شود و در حال حرکت است و هر کدام منطقه ای به ابعاد 1536 × 1280 کیلومتر را پوشش می دهند. این مدل با دنباله ای از مثال های نقشه تغذیه شد ، هر یک از آنها داده های آب و هوا را در فواصل پنج دقیقه ای در طول مرحله آموزش ثبت کرد.هم چنین یاد گرفت که الگوهای متداولی را در مورد نحوه انتشار ابرها در آسمان و بارش باران یا عدم بارندگی را انتخاب کند.در مرحله آزمایش ، از سیستم خواسته شد تا سری بعدی نقشه ها را برای پیش بینی بارش در فواصل پنج دقیقه تا 90 دقیقه با توجه به چهار مثال قبلی ایجاد کند.

عملکرد آن با استفاده از عوامل متعددی مورد بررسی قرار می گیرد ، از جمله اینکه تغییرات بین فریم ها یا نقشه ها چقدر صاف و تدریجی بوده است.

به جای محاسبه یک روش ساده برای تعیین دقت مدل ، این تیم بر درخواست از یک هیئت متشکل از 50 هواشناس متخصص برای رتبه بندی نقشه های پیش بینی شده تولید شده توسط GAN و مقایسه آنها با نقشه های تهیه شده از انواع دیگر سیستم های پیش بینی عددی آب و هوا سنتی تر ، استفاده کرد. این مقاله می گوید: "با استفاده از ارزیابی سیستماتیک بیش از 50 متخصص هواشناس متخصص ، نشان می دهیم که مدل تولیدی ما در 89 درصد موارد در برابر دو روش رقابتی از نظر دقت و مفید بودن رتبه اول را دارد."

الگوریتم های یادگیری ماشین عموماً سعی می کنند یک اندازه گیری ساده از میزان "خوب" پیش بینی خود را بهینه کنند. با این حال ، پیش بینی آب و هوا می تواند از جهات مختلف خوب یا بد باشد. شاید یک پیش بینی بارش را در مکان مناسب اما با شدت اشتباه دریافت کند ، یا یک پیش بینی دیگر ترکیبی از شدت ها را در مکان های اشتباه دریافت کند و غیره. در نهایت ، "خوب" بستگی به این دارد که چه کیفیتی برای هر مشکلی که در دست است مفید باشد.

204000711.136