Между дождем и снегом: машинное обучение выделило девять типов осадков

Исследование под руководством Мичиганского университета, которое может улучшить прогнозирование погоды и безопасность зимнего вождения, с помощью методов машинного обучения без учителя и почти десятилетних данных высокоскоростной камеры выделило девять различных типов осадков — разновидности дождя, снега и смешанной фазы (например, ледяной дождь). Работа опубликована в журнале Science Advances.

Вероятность дождя и снега примерно одинакова при температурах как выше, так и ниже точки замерзания (в диапазоне от -3°C до 5°C), что затрудняет точные прогнозы. Это исследование является частью усилий NASA (Национального управления по аэронавтике и исследованию космического пространства США) по использованию наблюдений для информирования и улучшения погодных моделей.

Исследователи использовали статистические методы и машинное обучение, чтобы выявить ключевые факторы, отличающие типы осадков, и классифицировать данные. Их система включает два типа дождя, два типа снега и пять уникальных смешанных типов: морось, сильный дождь, переход от легкого дождя к смешанным осадкам, переход от сильного дождя к смешанным осадкам, легкие смешанные осадки, сильные смешанные осадки, переход от сильного снега к смешанным осадкам, легкий снегопад и сильный снегопад.

Для получения данных ученые использовали специализированную камерную систему NASA — Precipitation Imaging Package (PIP). Этот прибор, видео-диздрометр, измеряющий размер, распределение и скорость частиц, был развернут на семи площадках в США, Канаде и Европе. В исследовании проанализированы данные PIP, собранные непрерывно за девять лет, что составило 1,5 миллиона измерений частиц с минутным разрешением, дополненные измерениями с наземных метеостанций.

Чтобы осмыслить этот огромный массив данных, команда применила метод снижения размерности UMAP (Uniform Manifold Approximation and Projection). Этот нелинейный метод, учитывающий сложные взаимосвязи, превзошел традиционные линейные подходы. Он сократил размерность данных на 75%, выделив три основных фактора, отличающих осадки: фазу, интенсивность и характеристики частиц. По сравнению с данными независимого погодного радара в Маркетте, штат Мичиган, метод UMAP точнее отслеживал переходы между типами осадков, сократив количество неоднозначных случаев на 36%.

«Мы рады видеть, как другие люди будут использовать это, и надеемся, что это принесет пользу сообществу моделистов через интерфейс и справочную таблицу, которые мы создали», — сказал Фрейзер Кинг, ведущий автор исследования.

Команда предоставила интерактивную визуализацию данных и публичный интерфейс, позволяющий любому пользователю, даже без знаний программирования, загрузить доступные климатические переменные и получить вероятностное распределение по классам осадков. Данные доступны в репозитории Deep Blue Data.