Nell'ultima decade, le applicazioni di intelligenza artificiale ("AI") sono esplose in vari settori di ricerca, compresa la visione artificiale, comunicazione e medicina. Ora, la tecnologia in rapido sviluppo sta lasciando il segno nella previsione del tempo.

I campi della scienza dell'atmosfera e della meteorologia satellitare sono ideali per il compito, offrendo un ricco campo di addestramento in grado di alimentare l'infinito appetito di dati di un sistema di intelligenza artificiale. Anthony Wimmers è uno scienziato dell'Università del Wisconsin-Madison Cooperative Institute for Meteorological Satellite Studies (CIMSS) che ha lavorato con i sistemi di intelligenza artificiale negli ultimi tre anni. La sua ultima ricerca indaga su come un modello di intelligenza artificiale può aiutare a migliorare le previsioni a breve termine (o "nowcasting") degli uragani.

Conosciuto come DeepMicroNet, il modello utilizza il deep learning, un tipo di rete neurale organizzata in strati interagenti "profondi" che trova modelli all'interno di un set di dati. Wimmers esplora come un sistema di intelligenza artificiale come DeepMicroNet può integrare e supportare i sistemi di previsione meteorologica convenzionali.

In un articolo del 2019 pubblicato sulla rivista Rassegna meteo mensile , Wimmers e colleghi Chris Velden, di CIMSS, e Josh Cossuth, del Laboratorio di Ricerca Navale degli Stati Uniti, descrivere un modo per sfruttare l'apprendimento profondo per stimare la forza degli uragani in base ai dati di particolari satelliti meteorologici. Mentre passano in alto, questi satelliti raccolgono informazioni chiave sulla struttura di un uragano attraverso misurazioni nella parte a microonde dello spettro elettromagnetico. Con 30 anni di dati a microonde, il documento dimostra come il modello può stimare, con crescente precisione, l'intensità di un ciclone tropicale.

"I risultati dello studio mostrano molte promesse, non solo per la precisione di nowcasting del modello, ma anche perché questi risultati provenivano da dati non tipicamente utilizzati per stimare l'intensità degli uragani, "Dice Wimmer.

Analisi rapide come queste possono fornire ai meteorologi informazioni vitali sul comportamento di una tempesta e su cosa aspettarsi, ad esempio se la tempesta subirà sostituzioni degli occhi o una rapida intensificazione.

Quando si prevede il massimo dei venti sostenuti di un uragano, I risultati di DeepMicroNet differivano dal record storico dei valori stimati dai meteorologi di circa 16 miglia all'ora. I risultati di DeepMicroNet sono migliorati, però, quando i set di dati erano limitati ai dati misurati direttamente dagli aerei. Quindi, DeepMicroNet era spento di meno di 11,5 mph. A confronto, le stime che utilizzano metodi all'avanguardia sono in genere disallineate di circa 10 miglia all'ora.

Wimmers si è proposto di rispondere a tre domande principali. Primo, voleva determinare le prestazioni del modello rispetto ai metodi all'avanguardia per prevedere l'intensità degli uragani. Secondo, era importante valutare se i risultati fossero significativi e facessero avanzare la scienza della meteorologia. Infine, voleva dimostrare nuovi modi per incorporare dati meno comunemente usati come le immagini a microonde in modelli di previsione, offrendo allo stesso tempo preziose informazioni su una tempesta.

"Il motivo per cui i sistemi di deep learning sono cresciuti così tanto nella meteorologia satellitare è perché sono già pronti per questo tipo di applicazioni, dove hai decine di migliaia di immagini disponibili per l'addestramento di un modello, " afferma Wimmers. "Si applica anche a situazioni in cui è necessaria una risposta rapida".

Wimmers ha progettato il suo esperimento per testare quanto bene un sistema di intelligenza artificiale potesse riprodurre la storia di un uragano. Le intensità storiche degli uragani provenivano da una combinazione di stime dei previsori basate su altri dati satellitari e osservazioni degli aerei. Senza conoscere i tipi di dati, Il compito di DeepMicroNet era quello di stimare le intensità da un grande, set di dati indipendente di immagini a microonde misurate nelle frequenze 37 GHz e 89 GHz.

"Queste due frequenze sono utili per rivelare diverse strutture di uragani, " dice Wimmers. "La loro risoluzione relativamente grossolana significa anche che possono essere analizzati ed elaborati rapidamente in un computer".

Il programma di intelligenza artificiale di Wimmers è in grado di sfornare più di 50, 000 immagini di uragani in meno di due ore. È stato codificato usando Python, un linguaggio di programmazione che è diventato lo standard per potenti applicazioni di machine learning. Wimmers afferma che questi sistemi raggiungono le massime prestazioni dopo aver eseguito almeno decine di migliaia di esempi. Attraverso l'elaborazione ripetitiva di immagini di allenamento, il sistema ha mostrato di poter rilevare e memorizzare i modelli nella struttura di un uragano.

DeepMicroNet ha fornito i risultati finali dopo un test di convalida utilizzando un sottoinsieme più piccolo di soli 3, 000 immagini. Qui ha applicato quanto appreso durante l'allenamento e valutato accuratamente l'intensità dei cicloni tropicali. Nel passato, l'esecuzione di modelli con set di dati di grandi dimensioni potrebbe richiedere fino a una settimana per il calcolo. Oggi, anche se, i progressi nell'informatica hanno ridotto un'attività di formazione come quella di DeepMicroNet a 90 minuti.

"Questi risultati sono stati una dimostrazione promettente del tipo di cose che possiamo fare con l'apprendimento automatico in futuro, " dice Wimmers. "Possiamo interpretare i risultati delle reti di deep learning per migliorare i nostri modelli fisici. Possiamo trovare schemi che prima erano fuori dalla nostra portata perché erano troppo complicati".

Mentre i sistemi di deep learning possono avere potenti capacità predittive, il loro design ha un inconveniente intrinseco. Al di fuori della comunità dell'IA, le parole "scatola nera" sono spesso usate per descrivere i sistemi di intelligenza artificiale e i loro risultati. Fonte di lunghi dibattiti, "scatola nera" si riferisce a quanto può essere difficile, a volte, per ripercorrere il percorso intrapreso da un modello di IA per giungere alla sua conclusione. Presenta un problema importante per la comunità scientifica, costruito sulla trasparenza e la riproducibilità.

Wimmers sostiene che, nonostante alcune delle metodologie opache dell'IA, i ricercatori hanno molto da guadagnare sondando i sistemi di intelligenza artificiale e i loro processi.

"Da una parte, un modello di deep learning per l'elaborazione delle immagini può dirti molto su se stesso in base alle sue prestazioni, o dove ha concentrato i suoi sforzi e quali aree di un'immagine hanno avuto la massima importanza, " dice Wimmers. "Ma dall'altro, non abbiamo un buon sistema per tradurre tutte quelle informazioni nella sua fisica di base e interpretarle per dirci cosa sta succedendo nel mondo naturale".

I modelli meteorologici più tradizionali si basano su una serie di equazioni e set di dati derivati ​​dalla fisica dell'atmosfera. Al contrario, un sistema di intelligenza artificiale spesso ignora qualsiasi ipotesi esistente e si concentra esclusivamente sulla ricerca di modelli nei dati. Nella migliore delle ipotesi, il sistema AI incorpora processi naturali nell'atmosfera che prima erano trascurati dai modelli tradizionali.

I risultati dell'IA, poi, potrebbe essere utilizzato per integrare i modelli meteorologici attuali e rivelare tendenze che meritano ulteriori indagini. Wimmers vede entrambi gli approcci giocare ruoli complementari, ognuno con i suoi punti di forza e di debolezza.

"Mentre (i modelli meteorologici convenzionali) e i modelli di deep learning condividono già molte somiglianze nel modo in cui funzionano, sono due strumenti diversi che servono a scopi diversi, e possiamo usare entrambi, " lui dice.

Il campo della ricerca sull'intelligenza artificiale si sta evolvendo così rapidamente che Wimmers afferma che può essere una sfida rimanere aggiornati. Però, il suo lavoro è all'avanguardia nell'uso dell'intelligenza artificiale come strumento per migliorare le previsioni del tempo. Il direttore del CIMSS Tristan L"Ecuyer vede l'intelligenza artificiale giocare un ruolo sempre più importante per una serie di aree delle scienze atmosferiche, come identificare condizioni meteorologiche avverse, identificare la turbolenza, previsione neve effetto lago, misurare il movimento dell'aria, e tracciare i movimenti del ghiaccio marino.

"Ora che le immagini satellitari ad alta risoluzione vengono catturate ogni pochi minuti e generano enormi volumi di dati da analizzare, è necessario sviluppare nuovi modi innovativi per estrarre informazioni pratiche da essi, " dice L"Ecuyer. "L'intelligenza artificiale svolgerà un ruolo fondamentale nella transizione dalla raccolta dei dati alla produzione e all'azione delle informazioni nel prossimo decennio e CIMSS si sta posizionando per guidare questo sforzo nei prossimi anni".