Ett team av forskare som arbetar på Googles forskningscenter Mountain View har utvecklat ett djupinlärningsbaserat väderprognosverktyg för att förutsäga kortsiktiga väderhändelser. De har skrivit ett papper som beskriver deras "nowcasting -verktyg, "och har laddat upp det till arXiv -förtrycksservern. De har också publicerat en nyhet som beskriver deras arbete på Google AI -bloggen.

Trots århundraden av ansträngningar, att förutsäga vädret är fortfarande en inexakt vetenskap. Den nuvarande metoden innebär att man samlar in data från en mängd olika källor och analyserar den med superdatorer som tar timmar att leverera förutsägelser. Medan moderna väderprognoser är mycket mer exakta än tidigare, de lämnar fortfarande mycket att önska - särskilt lokalt och på kort sikt. I denna nya insats, teamet på Google har tagit en annan inställning till kortsiktiga prognoser-istället för att använda fysik, de använder de senaste radarkartorna för att göra välutbildade gissningar om den närmaste framtiden.

Googles nya verktyg använder maskininlärning - ett konvolutionellt neuralt nätverk (CNN) utbildas i att känna igen vädermönster och gör sedan förutsägelser baserade på nuvarande väderförhållanden. Det resulterande verktyget tillhandahåller det som Google beskriver som "nederbörd nu" - lokalt baserat, nästan omedelbart, kortsiktiga väderprognoser.

Den typ av CNN Google som används kallas ett U-Net-ett system som fungerar genom att sortera data i lager som arrangeras genom kodningsfas för att öka bearbetningshastigheten-iteration används för att minska bildupplösningen och sedan avkodning används för att återställa bilderna tillbaka till sin ursprungliga upplösning. Systemet analyserar radardata från de senaste N timmarna för att förutsäga väderhändelser under de kommande N timmarna - där N varierar mellan noll och sex timmar. Hela processen tar bara några minuter. Systemet kan returnera svar snabbare än konventionella prognossystem eftersom det ignorerar fysiken som berörs - istället det är beroende av bildbehandling.

Forskarna testade sitt verktyg genom att jämföra det med tre allmänt använda prognosmodeller. De hävdar att deras prognoser var mer exakta på kort sikt än alla tre modellerna, men var mindre exakta på lång sikt.

© 2020 Science X Network