Rice Universitys ingenjörer har skapat ett datorsystem för djupinlärning som lärt sig att exakt förutsäga extrema väderhändelser, som värmeböljor, upp till fem dagar i förväg med minimal information om aktuella väderförhållanden.

Ironiskt, Rice självlärande "kapselneurala nätverk" använder en analog metod för väderprognoser som datorer gjorde föråldrade på 1950-talet. Under träning, den undersöker hundratals kartpar. Varje karta visar yttemperaturer och lufttryck på fem kilometers höjd, och varje par visar dessa tillstånd med flera dagars mellanrum. Utbildningen inkluderar scenarier som producerade extremt väder – förlängda varma och kalla perioder som kan leda till dödliga värmeböljor och vinterstormar. Väl utbildad, systemet kunde undersöka kartor som det inte tidigare sett och göra femdagarsprognoser för extremt väder med 85 % noggrannhet.

Med vidareutveckling, systemet skulle kunna fungera som ett tidig varningssystem för väderprognosmakare, och som ett verktyg för att lära sig mer om de atmosfäriska förhållanden som leder till extremt väder, sa Rice's Pedram Hassanzadeh, medförfattare till en studie om systemet som publicerades online denna vecka i American Geophysical Unions Journal of Advances in Modeling Earth Systems.

Noggrannheten i de dagliga väderprognoserna har förbättrats stadigt sedan tillkomsten av datorbaserade numeriska väderprognoser (NWP) på 1950-talet. Men även med förbättrade numeriska modeller av atmosfären och kraftfullare datorer, NWP kan inte på ett tillförlitligt sätt förutsäga extrema händelser som de dödliga värmeböljorna i Frankrike 2003 och i Ryssland 2010.

"Det kan vara så att vi behöver snabbare superdatorer för att lösa de styrande ekvationerna för de numeriska väderprognosmodellerna med högre upplösningar, sa Hassanzadeh, en biträdande professor i maskinteknik och i jorden, miljö- och planetvetenskap på Rice. "Men eftersom vi inte helt förstår fysiken och prekursorförhållandena för extrema vädermönster, det är också möjligt att ekvationerna inte är helt korrekta, och de kommer inte att producera bättre prognoser, oavsett hur mycket datorkraft vi lägger in."

I slutet av 2017, Hassanzadeh och studiemedförfattare och doktorander Ashesh Chattopadhyay och Ebrahim Nabizadeh bestämde sig för att ta ett annat tillvägagångssätt.

"När du får dessa värmeböljor eller kyla, om du tittar på väderkartan, du kommer ofta att se något konstigt beteende i jetströmmen, onormala saker som stora vågor eller ett stort högtryckssystem som inte rör sig alls, ", sade Hassanzadeh. "Det verkade som om detta var ett problem med mönsterigenkänning. Så vi bestämde oss för att försöka omformulera extremväderprognoser som ett problem med mönsterigenkänning snarare än ett numeriskt problem."

Deep learning är en form av artificiell intelligens, där datorer "tränas" för att fatta mänskliga beslut utan att vara explicit programmerade för dem. Grundpelaren i djupinlärning, det konvolutionella neurala nätverket, utmärker sig i mönsterigenkänning och är nyckelteknologin för självkörande bilar, ansiktsigenkänning, taltranskription och dussintals andra framsteg.

"Vi bestämde oss för att träna vår modell genom att visa den många tryckmönster på de fem kilometerna över jorden, och berättar det, för var och en, "Den här orsakade inte extremt väder. Den här orsakade en värmebölja i Kalifornien. Den här orsakade ingenting. Den här orsakade en kyla i nordost, "" sa Hassanzadeh. "Inte något specifikt som Houston mot Dallas, men mer av en känsla för det regionala området."

Just då, Hassanzadeh, Chattopadhyay och Nabizadeh var knappt medvetna om att analoga prognoser en gång hade varit en stöttepelare i väderförutsägelser och till och med haft en stor roll i D-dagens landningar under andra världskriget.

"Ett sätt att förutsäga gjordes innan datorer är att de skulle titta på trycksystemmönstret idag, och gå sedan till en katalog med tidigare mönster och jämför och försök hitta en analog, ett liknande mönster, " sa Hassanzadeh. "Om det ledde till regn över Frankrike efter tre dagar, prognosen skulle vara för regn i Frankrike."

Han sa att en av fördelarna med att använda djupinlärning är att det neurala nätverket inte behövde få veta vad man skulle leta efter.

"Det spelade ingen roll att vi inte helt förstår prekursorerna eftersom det neurala nätverket lärde sig att hitta dessa kopplingar själv, " sade Hassanzadeh. "Den lärde sig vilka mönster som var avgörande för extremt väder, och den använde dem för att hitta den bästa analogen."

För att visa ett proof-of-concept, teamet använde modelldata hämtade från realistiska datorsimuleringar. Teamet hade rapporterat tidiga resultat med ett konvolutionellt neuralt nätverk när Chattopadhyay, huvudförfattaren till den nya studien, hört talas om kapselneurala nätverk, en ny form av djupinlärning som debuterade med fanfar i slutet av 2017, delvis för att det var Geoffrey Hintons idé, grundaren till konvolutionellt neuralt nätverksbaserad djupinlärning.

Till skillnad från konvolutionella neurala nätverk, kapselneurala nätverk kan känna igen relativa rumsliga relationer, som är viktiga i utvecklingen av vädermönster.

"De relativa positionerna för tryckmönster, topparna och dalarna du ser på väderkartor, är nyckelfaktorn för att avgöra hur vädret utvecklas, " sa Hassanzadeh.

En annan betydande fördel med kapselneurala nätverk var att de inte kräver lika mycket träningsdata som konvolutionella neurala nätverk. Det finns bara cirka 40 år av högkvalitativ väderdata från satelliteran, och Hassanzadehs team arbetar med att träna sitt neurala kapselnätverk på observationsdata och jämföra dess prognoser med de för toppmoderna NWP-modeller.

"Vårt omedelbara mål är att förlänga vår prognostiserade ledtid till över 10 dagar, där NWP-modeller har svagheter, " han sa.

Även om det krävs mycket mer arbete innan Rices system kan införlivas i operativa prognoser, Hassanzadeh hoppas att det så småningom kan förbättra prognoserna för värmeböljor och annat extremt väder.

"Vi föreslår inte att detta i slutändan kommer att ersätta NWP, " sa han. "Men det här kan vara en användbar guide för NWP. Beräkningsmässigt, detta kan vara ett superbilligt sätt att ge lite vägledning, en tidig varning, som låter dig fokusera NWP-resurser specifikt där extremt väder är troligt."

Hassanzadeh sa att hans team också är intresserade av att ta reda på vilka mönster kapselns neurala nätverk använder för att göra sina förutsägelser.

"Vi vill utnyttja idéer från förklarlig AI (artificiell intelligens) för att tolka vad det neurala nätverket gör, ", sa han. "Detta kan hjälpa oss att identifiera föregångarna till extrema vädermönster och förbättra vår förståelse av deras fysik."