Una mappa delle alte temperature diurne del 30 gennaio 2019, basato su dati NOAA Real-Time Mesoscale Analysis (RTMA). L'ondata di freddo che ha colpito il Midwest degli Stati Uniti e il Canada orientale alla fine di gennaio 2019 ha ucciso più di 20 persone e ha prodotto le temperature più fredde degli ultimi 20 anni in gran parte della regione. Credito:Mappa di NOAA Climate.gov, sulla base dei dati RTMA forniti da Steve Levine/NCEP
Gli ingegneri della Rice University hanno creato un sistema informatico di deep learning che ha imparato da solo a prevedere con precisione eventi meteorologici estremi, come ondate di calore, fino a cinque giorni in anticipo utilizzando informazioni minime sulle condizioni meteorologiche attuali.
Ironia della sorte, La "rete neurale capsula" di Rice utilizza un metodo analogico di previsione del tempo che i computer hanno reso obsoleti negli anni '50. Durante l'allenamento, esamina centinaia di coppie di mappe. Ogni mappa mostra le temperature superficiali e le pressioni atmosferiche a cinque chilometri di altezza, e ogni coppia mostra quelle condizioni a diversi giorni di distanza. La formazione include scenari che hanno prodotto condizioni meteorologiche estreme:periodi di caldo e freddo estesi che possono portare a ondate di calore mortali e tempeste invernali. Una volta addestrato, il sistema è stato in grado di esaminare mappe che non aveva visto in precedenza e di fare previsioni a cinque giorni di condizioni meteorologiche estreme con una precisione dell'85%.
Con ulteriore sviluppo, il sistema potrebbe fungere da sistema di allerta precoce per i meteorologi, e come strumento per saperne di più sulle condizioni atmosferiche che portano a condizioni meteorologiche estreme, disse Pedram Hassanzadeh di Rice, coautore di uno studio sul sistema pubblicato online questa settimana sul Journal of Advances in Modeling Earth Systems dell'American Geophysical Union.
L'accuratezza delle previsioni meteorologiche giornaliere è migliorata costantemente dall'avvento delle previsioni meteorologiche numeriche (NWP) basate su computer negli anni '50. Ma anche con modelli numerici dell'atmosfera migliorati e computer più potenti, NWP non può prevedere in modo affidabile eventi estremi come le ondate di calore mortali in Francia nel 2003 e in Russia nel 2010.
"Può darsi che abbiamo bisogno di supercomputer più veloci per risolvere le equazioni di governo dei modelli numerici di previsione del tempo a risoluzioni più elevate, " disse Hassanzadeh, un assistente professore di ingegneria meccanica e di Terra, scienze ambientali e planetarie alla Rice. "Ma poiché non comprendiamo appieno la fisica e le condizioni precursori dei modelli meteorologici estremi, è anche possibile che le equazioni non siano completamente accurate, e non produrranno previsioni migliori, non importa quanta potenza di calcolo mettiamo in campo."
Alla fine del 2017, Hassanzadeh, i coautori dello studio e gli studenti laureati Ashesh Chattopadhyay e Ebrahim Nabizadeh hanno deciso di adottare un approccio diverso.
"Quando hai queste ondate di calore o ondate di freddo, se guardi la mappa meteo, vedrai spesso comportamenti strani nella corrente a getto, cose anormali come grandi onde o un grande sistema ad alta pressione che non si muove affatto, "Hassanzadeh ha detto. "Sembrava che questo fosse un problema di riconoscimento del modello. Quindi abbiamo deciso di provare a riformulare le previsioni meteorologiche estreme come un problema di riconoscimento di schemi piuttosto che un problema numerico".
Una rappresentazione schematica della rete neurale della capsula creata dagli ingegneri della Rice University per prevedere eventi meteorologici estremi. Credito:Mario Norton/Rice University Digital Media Commons
Il deep learning è una forma di intelligenza artificiale, in cui i computer sono "addestrati" a prendere decisioni simili a quelle umane senza essere esplicitamente programmati per loro. Il cardine del deep learning, la rete neurale convoluzionale, eccelle nel riconoscimento dei modelli ed è la tecnologia chiave per le auto a guida autonoma, riconoscimento facciale, trascrizione vocale e dozzine di altri progressi.
"Abbiamo deciso di addestrare il nostro modello mostrandogli molti modelli di pressione nei cinque chilometri sopra la Terra, e raccontandolo, per ognuno, "Questo non ha causato condizioni meteorologiche estreme. Questo ha causato un'ondata di caldo in California. Questo non ha causato nulla. Questo ha causato un'ondata di freddo nel nord-est, '", ha detto Hassanzadeh. "Niente di specifico come Houston contro Dallas, ma più di un senso dell'area regionale."
Al tempo, Hassanzadeh, Chattopadhyay e Nabizadeh erano a malapena consapevoli che le previsioni analogiche erano state un tempo un pilastro delle previsioni meteorologiche e avevano persino un ruolo storico negli sbarchi del D-Day nella seconda guerra mondiale.
"Un modo in cui la previsione è stata fatta prima che i computer guardassero il modello del sistema di pressione oggi, e poi vai a un catalogo di modelli precedenti e confronta e prova a trovare un analogo, un modello molto simile, "Hassanzadeh ha detto. "Se quello ha portato a piovere sulla Francia dopo tre giorni, la previsione sarebbe per pioggia in Francia."
Ha detto che uno dei vantaggi dell'utilizzo del deep learning è che non è necessario dire alla rete neurale cosa cercare.
"Non importava che non comprendiamo appieno i precursori perché la rete neurale ha imparato a trovare quelle connessioni da sola, "Hassanzadeh ha detto. "Ha appreso quali modelli erano critici per condizioni meteorologiche estreme, e li ha usati per trovare il miglior analogico."
Per dimostrare un proof-of-concept, il team ha utilizzato i dati del modello presi da simulazioni realistiche al computer. Il team aveva riportato i primi risultati con una rete neurale convoluzionale quando Chattopadhyay, l'autore principale del nuovo studio, sentito parlare di reti neurali a capsula, una nuova forma di deep learning che ha debuttato in pompa magna alla fine del 2017, in parte perché è stato il frutto di Geoffrey Hinton, il padre fondatore dell'apprendimento profondo basato sulla rete neurale convoluzionale.
Una mappa basata sulle temperature superficiali degli Stati Uniti misurate dal satellite Terra della NASA durante un'ondata di caldo dal 17 al 24 giugno, 2012. I colori evidenziano la differenza tra le temperature superficiali del 2012 e le temperature medie misurate negli stessi luoghi durante lo stesso periodo di otto giorni degli 11 anni precedenti. Le temperature più calde della media sono mostrate in rosso, temperature quasi normali in bianco e temperature più fredde della media in blu. Credito:J. Allen e A. Voiland/NASA Earth Observatory
A differenza delle reti neurali convoluzionali, le reti neurali della capsula possono riconoscere le relazioni spaziali relative, che sono importanti nell'evoluzione dei modelli meteorologici.
"Le posizioni relative dei modelli di pressione, gli alti e bassi che vedi sulle mappe meteorologiche, sono il fattore chiave nel determinare l'evoluzione del tempo, "Hassanzadeh ha detto.
Un altro vantaggio significativo delle reti neurali a capsula è che non richiedono tanti dati di addestramento quanto le reti neurali convoluzionali. Ci sono solo circa 40 anni di dati meteorologici di alta qualità dall'era dei satelliti, e il team di Hassanzadeh sta lavorando per addestrare la sua rete neurale di capsule sui dati osservativi e confrontare le sue previsioni con quelle dei modelli NWP all'avanguardia.
"Il nostro obiettivo immediato è quello di estendere il nostro lead time di previsione oltre i 10 giorni, dove i modelli NWP hanno punti deboli, " Egli ha detto.
Sebbene sia necessario molto più lavoro prima che il sistema di Rice possa essere incorporato nelle previsioni operative, Hassanzadeh spera che alla fine possa migliorare le previsioni per le ondate di calore e altre condizioni meteorologiche estreme.
"Non stiamo suggerendo che alla fine della giornata questo sostituirà NWP, " ha detto. "Ma questa potrebbe essere una guida utile per NWP. Computazionalmente, questo potrebbe essere un modo super economico per fornire alcune indicazioni, un preavviso, che ti consente di concentrare le risorse NWP in modo specifico dove è probabile che condizioni meteorologiche estreme."
Hassanzadeh ha affermato che il suo team è anche interessato a scoprire quali modelli utilizza la rete neurale della capsula per fare le sue previsioni.
"Vogliamo sfruttare le idee dell'IA spiegabile (intelligenza artificiale) per interpretare ciò che sta facendo la rete neurale, " ha detto. "Questo potrebbe aiutarci a identificare i precursori di modelli meteorologici estremi e migliorare la nostra comprensione della loro fisica".
