Under det senaste årtiondet, tillämpningar för artificiell intelligens ("AI") har exploderat över olika forskningssektorer, inklusive datorseende, kommunikation och medicin. Nu, den snabbt utvecklande tekniken sätter sina spår i väderprognoser.

Områdena för atmosfärisk vetenskap och satellitmeteorologi är idealiskt lämpade för uppgiften, erbjuder en rik träningsplats som kan mata ett AI-systems oändliga aptit på data. Anthony Wimmers är en vetenskapsman vid University of Wisconsin–Madison Cooperative Institute for Meteorological Satellite Studies (CIMSS) som har arbetat med AI-system de senaste tre åren. Hans senaste forskning undersöker hur en AI-modell kan hjälpa till att förbättra kortsiktiga prognoser (eller "nowcasting") av orkaner.

Känd som DeepMicroNet, modellen använder djupinlärning, en typ av neurala nätverk arrangerade i "djupa" interagerande lager som hittar mönster i en datauppsättning. Wimmers utforskar hur ett AI-system som DeepMicroNet kan komplettera och stödja konventionella väderprognoser.

I en artikel från 2019 publicerad i tidskriften Månatlig väderöversikt , Wimmers och kollegor Chris Velden, av CIMSS, och Josh Cossuth, från U.S. Naval Research Lab, beskriva ett sätt att utnyttja djupinlärning för att uppskatta orkanstyrkan baserat på data från särskilda vädersatelliter. När de passerar över huvudet, dessa satelliter samlar in nyckelinformation om en orkans struktur genom mätningar i mikrovågsdelen av det elektromagnetiska spektrumet. Med 30 år av mikrovågsdata, uppsatsen visar hur modellen kan uppskatta – med ökande noggrannhet – en tropisk cyklons intensitet.

"Resultaten från studien visar mycket lovande, inte bara för modellens sändningsnoggrannhet, men också för att dessa resultat kom från data som vanligtvis inte används för att uppskatta orkanens intensitet, " säger Wimmers.

Snabba analyser som dessa kan ge prognosmakare viktig information om en storms beteende och vad de kan förvänta sig, till exempel om stormen kommer att genomgå ögonväggsersättningar eller snabb intensifiering.

När du förutsäger en orkans maximala ihållande vindar, DeepMicroNets resultat skilde sig från det historiska rekordet av prognosmakares uppskattade värden med cirka 16 miles per timme. DeepMicroNets resultat förbättrades, dock, när datamängderna var begränsade till data som mättes direkt av flygplan. Sedan, DeepMicroNet var avstängt med mindre än 11,5 mph. Som jämförelse, uppskattningar som använder toppmoderna metoder är vanligtvis lägre än cirka 10 miles per timme.

Wimmers försökte svara på tre huvudfrågor. Först, han ville avgöra hur väl modellen presterade jämfört med toppmoderna metoder för att förutsäga orkanintensitet. Andra, det var viktigt att bedöma om resultaten var meningsfulla och avancerade meteorologivetenskapen. Slutligen, han ville demonstrera nya sätt att införliva mindre vanliga data som mikrovågsbilder i prediktionsmodeller, samtidigt som det ger värdefull inblick i en storm.

"Anledningen till att system för djupinlärning har vuxit så mycket inom satellitmeteorologi är för att de är färdiga för dessa typer av applikationer, där du har tiotusentals bilder tillgängliga för att träna en modell, ", säger Wimmers. "Det gäller även situationer där du behöver ett snabbt svar."

Wimmers designade sitt experiment för att testa hur väl ett AI-system kunde återskapa en orkans historia. De historiska orkanintensiteterna kom från en kombination av prognosmakares uppskattningar baserade på andra satellitdata och flygplansobservationer. Utan kunskap om datatyperna, DeepMicroNets uppgift var att uppskatta intensiteter från en stor, oberoende datauppsättning av mikrovågsbilder mätt i frekvenserna 37 GHz och 89 GHz.

"Dessa två frekvenser är användbara för att avslöja olika orkanstrukturer, ", säger Wimmers. "Deras relativt grova upplösning gör också att de snabbt kan analyseras och bearbetas i en dator."

Wimmers AI-program klarar av mer än 50, 000 orkanbilder på under två timmar. Det kodades med Python, ett programmeringsspråk som har blivit standarden för kraftfulla maskininlärningsapplikationer. Wimmers säger att dessa system når toppprestanda efter att ha kört minst tiotusentals exempel. Genom repetitiv bearbetning av träningsbilder, systemet visade att det kunde upptäcka och memorera mönster i en orkans struktur.

DeepMicroNet levererade de slutliga resultaten efter ett valideringstest med en mindre delmängd på endast 3, 000 bilder. Här tillämpade den vad den lärde sig under träningen och bedömde noggrant intensiteten hos de tropiska cyklonerna. Förr, Att köra modeller med stora datamängder kan ta så lång tid som en vecka att beräkna. I dag, fastän, framsteg inom datoranvändning har minskat en träningsuppgift som DeepMicroNets till 90 minuter.

"Dessa resultat var en lovande demonstration av den typ av saker vi kan göra med maskininlärning i framtiden, " säger Wimmers. "Vi kan tolka resultaten av nätverk för djupinlärning för att förbättra våra fysiska modeller. Vi kan hitta mönster som brukade vara utom vår räckvidd eftersom de var för komplicerade."

Även om system för djupinlärning kan ha kraftfulla prediktiva möjligheter, deras design har en inneboende nackdel. Utanför AI-gemenskapen, Orden "black box" används ofta för att beskriva AI-system och deras resultat. En källa till långa debatter, "svart låda" syftar på hur svårt det kan vara, ibland, för att spåra den väg en AI-modell tog för att nå sin slutsats. Det utgör ett stort problem för det vetenskapliga samfundet – ett som bygger på transparens och reproducerbarhet.

Wimmers hävdar att trots några av AI:s ogenomskinliga metoder, forskare har mycket att vinna på att undersöka AI-system och deras processer.

"Å ena sidan, en bildbehandlingsmodell för djupinlärning kan berätta en hel del om sig själv baserat på dess prestanda, eller var den fokuserade sina ansträngningar och vilka delar av en bild som var av högsta betydelse, " säger Wimmers. "Men å den andra, vi har inget bra system för att översätta all den informationen till dess grundläggande fysik och tolka den för att berätta för oss vad som händer i den naturliga världen."

Mer traditionella vädermodeller är baserade på en serie ekvationer och datauppsättningar härledda från atmosfärens fysik. Däremot ett AI-system ignorerar ofta alla befintliga antaganden och fokuserar enbart på att hitta mönster i data. I bästa fall, AI-systemet införlivar naturliga processer i atmosfären som tidigare förbisetts av traditionella modeller.

AI-fynden, sedan, skulle kunna användas för att komplettera nuvarande vädermodeller och avslöja trender värda att undersöka ytterligare. Wimmers ser att båda tillvägagångssätten spelar kompletterande roller, var och en med sina styrkor och svagheter.

"Medan (konventionella vädermodeller) och modeller för djupinlärning redan delar många likheter i hur de fungerar, de är två olika verktyg som tjänar olika syften, och vi kan använda båda, " han säger.

Fältet för AI-forskning utvecklas så snabbt att Wimmers säger att det kan vara en utmaning att hålla sig uppdaterad. Dock, hans arbete ligger i framkant när det gäller att använda AI som ett verktyg för att förbättra väderprognoser. CIMSS-direktör Tristan L"Ecuyer ser att AI spelar en allt viktigare roll för ett antal områden inom atmosfärsvetenskapen, som att identifiera hårt väder, identifiera turbulens, förutsäga sjöeffektssnö, mäta luftrörelser, och spåra havsisens rörelser.

"Nu när högupplösta satellitbilder tas med några minuters mellanrum och genererar enorma mängder data att analysera, det finns ett behov av att utveckla innovativa nya sätt att utvinna praktisk information från dem, " säger L"Ecuyer. "AI kommer att spela en avgörande roll i övergången från datainsamling till informationsproduktion och handling under det kommande decenniet och CIMSS positionerar sig för att leda detta arbete under de kommande åren."