Нейросеть «научилась» предсказывать время и место осадков с точностью до 89%

Прогнозирование времени и места дождя считается самой трудной задачей в метеорологии, так как это зависит от огромного количества факторов, таких как изменения температуры, давления, образование облаков, которые чрезвычайно сложны сами по себе.

Сельское хозяйство, крупные мероприятия, обслуживание транспортных служб, сокращение последствий стихийных бедствий и многое другое — всё это те сферы, в которых технологии, позволяющие максимально точно прогнозировать осадки в краткосрочной перспективе, потенциально могут позволить экономить огромные деньги и даже спасать человеческие жизни.

Если попытаться заглянуть в недалёкое будущее, то, скажем, Великобритания планирует использовать ИИ, предсказывающий перемещение облаков, для наращивания выработки солнечной энергии.

Что нового?

Компания DeepMind, поддерживаемая Google, разработала ИИ глубокого обучения под названием DGMR («глубокая генеративная модель дождя») DGMR.

Для проверки и сравнения модели с уже применяемыми были приглашены несколько десятков экспертов-метеорологов. Согласно их выводам, прогнозы DGMR в 89% случаев значительно более точны по целому ряду факторов, таких как местоположение, протяжённость зоны осадков, направление движения и их интенсивность.

Оказалось, что DGMR точнее предсказывает циркуляцию, интенсивность и структуру, и более точно предсказывает осадки и их движение, чем такой широко используемый инструмент, как PySTEPS. DGMR также генерирует гораздо более точные прогнозы, чем, к примеру, UNet, в котором применяются детерминированные методы глубокого обучения.

Лучшие из существующих методов прогнозирования используют компьютерное моделирование физических процессов, происходящих в атмосфере. Они неплохо решают задачу долгосрочного прогнозирования, но, когда речь заходит о текущей погоде (до двух часов), всё становится похожим на гадание.

Специалисты DeepMind «научили» разработанный ими ИИ анализировать данные с радаров, отслеживающих формирование и движение облаков. Например, в Англии показания с них обновляются каждые 5 минут. После загрузки этих данных в глубокую генеративную сеть, DGMR генерирует «новые снимки», которые как бы продолжают последовательность реальных данных.

Последние 20 минут наблюдений радара используются для обеспечения прогнозов на следующие 90 минут в DGMR.

Интересно, что уже «обученную» модель (для Великобритании) специалисты загрузили на GitHub, чтобы её могли протестировать все желающие. Как знать, возможно, уже следующее поколение просто не будет понимать сегодняшние шутки про синоптиков.

1. Исследование было опубликовано в журнале Nature.

2. Модель на GitHub.

3. Сайт компании DeepMind.

Подписывайтесь на S&F, канал в Telegram и чат для дискуссий на научные темы.