Искусственный интеллект может создавать более точные прогнозы молний
Молнии, как в случае с масштабными пожарами в Калифорнии в 2020 году, являются одной из самых разрушительных сил природы, но их по-прежнему сложно предсказывать. Новое исследование под руководством Вашингтонского университета показывает, что машинное обучение — компьютерные алгоритмы, которые совершенствуются без прямого программирования людьми — можно использовать для улучшения прогнозов молний.
Более точные прогнозы молний могут помочь подготовиться к потенциальным лесным пожарам, улучшить предупреждения об опасности и создать более точные долгосрочные климатические модели.
«Лучшие объекты для машинного обучения — это вещи, которые мы не до конца понимаем. И что в области атмосферных наук остается плохо изученным? Молнии, — сказал Дэхён Ким, доцент кафедры атмосферных наук Вашингтонского университета. — Насколько нам известно, наша работа является первой, демонстрирующей, что алгоритмы машинного обучения могут работать для прогнозирования молний».
Новая методика сочетает прогнозы погоды с уравнением машинного обучения, основанным на анализе прошлых случаев возникновения молний. Этот гибридный метод, представленный 13 декабря на осенней встрече Американского геофизического союза, может прогнозировать молнии на юго-востоке США на два дня раньше, чем ведущая существующая методика.
«Это демонстрирует, что прогнозы экстремальных погодных явлений, таких как грозы, можно улучшить с помощью методов на основе машинного обучения, — сказал Вэй-И Ченг, выполнивший эту работу для своей докторской диссертации по атмосферным наукам в UW. — Это стимулирует исследование методов машинного обучения для других типов прогнозов опасных явлений, таких как торнадо или град».
Исследователи обучили систему на данных о молниях с 2010 по 2016 год, позволив компьютеру обнаружить взаимосвязи между погодными переменными и ударами молний. Затем они протестировали методику на погоде с 2017 по 2019 год, сравнив метод с поддержкой ИИ и существующий физический метод, используя фактические наблюдения за молниями для оценки обоих.
Новый метод смог прогнозировать молнии с той же точностью примерно на два дня раньше, чем ведущая методика, в таких регионах, как юго-восток США, где молнии часты. Поскольку метод обучался на данных по всей территории США, его точность была ниже для мест, где молнии менее распространены.
Подход, использованный для сравнения, — это недавно разработанная методика прогнозирования молний на основе количества осадков и скорости восходящего движения грозовых облаков. Этот метод прогнозирует увеличение количества молний с изменением климата и их дальнейший рост в Арктике.
«Существующий метод просто перемножает две переменные. Это исходит из человеческой идеи, это просто. Но это не обязательно лучший способ использовать эти две переменные для предсказания молний», — отметил Ким.
Машинное обучение было обучено на наблюдениях за молниями от Всемирной сети локализации молний (World Wide Lightning Location Network, WWLLN), базирующейся в UW и отслеживающей глобальные молнии с 2008 года.
«Машинное обучение требует много данных — это одно из необходимых условий для того, чтобы алгоритм машинного обучения мог делать что-то ценное, — сказал Ким. — Пять лет назад это было бы невозможно, потому что у нас не было достаточно данных, даже от WWLLN».
Коммерческие сети инструментов для мониторинга молний теперь существуют в США, а новые геостационарные спутники могут непрерывно наблюдать за одной областью из космоса, поставляя точные данные о молниях для расширения возможностей машинного обучения.
«Ключевыми факторами являются количество и качество данных, которые как раз может предоставить нам WWLLN, — сказал Ченг. — По мере развития методов машинного обучения наличие точного и надежного набора данных наблюдений за молниями будет становиться все более важным».
Исследователи надеются улучшить свой метод, используя больше источников данных, больше погодных переменных и более сложные методы. Они хотели бы улучшить прогнозы конкретных ситуаций, таких как сухие грозы (молнии без осадков), поскольку они особенно опасны для лесных пожаров.
Ученые считают, что их метод также может быть применен для более долгосрочных прогнозов. Долгосрочные тенденции важны отчасти потому, что молнии влияют на химический состав атмосферы, поэтому их прогнозирование ведет к созданию лучших климатических моделей.
«В атмосферных науках, как и в других науках, некоторые люди по-прежнему скептически относятся к использованию алгоритмов машинного обучения — потому что как ученые мы не доверяем тому, чего не понимаем, — сказал Ким. — Я был одним из скептиков, но, увидев результаты этого и других исследований, я убедился».