Как нейронные сети помогают предсказывать погодные явления

Корейским ученым удалось с точностью до километров предсказать траекторию движения тайфунов с помощью нейронных сетей. Не исключено, что в будущем прогнозы погоды наконец-то перестанут ошибаться.

Ожидаются заморозки, переходящие в наводнение

Для предсказания погоды в последние десятилетия математики и программисты упорно работают над численными моделями. Процесс продвигается медленно из-за необходимости учитывать множество факторов: давление, температуру, скорость потоков ветра. Вычисления оказываются крайне громоздкими, занимают много времени и машинной памяти. Описывать получается совсем небольшие области, порядка десятков километров. Моделирование погоды в одной лишь Москве займет 10 терабайт памяти: к примеру, столько же информации передают в год по электронной почте все жители США.

Описанная выше задача далеко не праздная: не секрет, что прогнозы погоды ошибаются постоянно. Одно дело, если обещали солнечную погоду, а в итоге пошел дождь: вы оказались на улице без зонта и промокли. Это неприятно, но не смертельно. Перед учеными же стоит более важная проблема – предсказание действительно опасных для человека явлений, таких как ураганы и смерчи.

Поиск альтернативы

Поскольку «честно» моделировать погоду не получается, необходимо пойти другим путем. Здесь ученым повезло: несколько десятилетий назад появились технологии машинного обучения, к которым в том числе относятся крайне популярные в настоящее время нейронные сети.

Основной выигрыш от использования нейронных сетей состоит в том, что им не нужно решать сложные физические уравнения и хранить огромные объемы информации. Вы собираете некоторый архив данных, затем программа самостоятельно анализирует его и выделяет закономерности. «Натренировавшись», нейронная сеть расскажет вам, что будет дальше. Чем больше тренировочный набор – тем точнее будет предсказание.

«Буря мглою небо кроет»

В рамках проекта GlobeNet корейские ученые предложили использовать нейронные сети для моделирования движения тайфунов – развитых тропических циклонов, обычно образующихся в северо-западной части Тихого океана.

Вокруг Земли летают десятки метеорологических спутников, оборудованных по последнему слову техники: они делают снимки поверхности самого высокого качества в видимом и инфракрасном диапазонах излучения. Тайфуны довольно отчетливо видны на снимках, что делает их удобным инструментом для оттачивания методов. Данные наблюдений Корейского и Японского метеорологических агентств за последние шесть лет содержат информацию о 152 тайфунах, которые и стала тренировочным набором для будущей нейронной сети. Сети не простой, а сверточной.

Заверните с собой

Пример: фильтры MNIST (Mixed National Institute of Standards and Technology) для распознавания рукописных цифр. Источник: http://neuralnetworksanddeeplearning.com

В настоящее время сверточные нейронные сети идут во главе в вопросах машинного обучения. Они крайне эффективны в задачах, связанных с обработкой изображений.

Исходные данные, в нашем случае снимки со спутников, особым образом трансформируются. Обработка происходит в двух направлениях: уменьшение размера картинки, так называемая свертка, и наложение особых фильтров, которые позволяют выделить специфические, важные элементы изображения. Например, в задаче распознавания рукописного текста в качестве фильтров используются прямые, окружности и другие различные «завитушки», встречающиеся на письме.

Таким образом формируются так называемые «карты признаков» – измененные исходные изображения, которые затем анализируются нейронной сетью. Объем данных для анализа уменьшается, но увеличивается их «эффективность».

GlobeNet – первые результаты

Ученые проекта GlobeNet создали тысячи фильтров для обработки снимков со спутников. Каждое изображение прошло многоступенчатую «трансформацию», и на выходе его разрешение уменьшалось в несколько раз.

Результаты тренировки нейронной сети сравнили с архивными данными о тайфунах – созданный «предсказатель» рассчитывает траекторию движения циклона в прямоугольнике размером 80 на 150 градусов с точностью 0.02 градуса. Это хороший показатель, но из-за нехватки компьютерных ресурсов для создания нейронной сети использовалась лишь половина имеющихся данных. Значит, этот результат можно сделать еще более точным.

Будущие предсказания

Машинное обучение весьма перспективно в задачах метеорологии, и GlobeNet – далеко не единственный подобный проект. Ученые из США предложили способ предсказания траекторий ураганов: вместо изображений со спутника используется лишь траектория центра вихря, а вместо сверточной нейронной сети – обычная. Для тренировки использовались данные с 1990 по 2013 год, в качестве проверки предсказания метода сравнили с реальным движением ураганов Сэнди (2012 год) и Умберто (2013 год). Точность составила около 0.5 градуса, то есть около сорока километров.

Но и это еще не предел: ученые также учатся обрабатывать не только изображения, но и видео. В перспективе возможно предсказание различных экстремальных природных явлений, температуры воздуха на планете, изменения уровня Мирового океана. Наконец, нейронные сети имеют все шансы помочь человеку ответить на весьма неоднозначный вопрос степени антропогенного влияния на изменения климата на Земле.