ממזג האוויר ל- Machine Learning: The New Era of Precipitation Forecast

במשך מאות שנים, האנושות הביטה לשמיים לנחש מתי הגשמים המודרניים החליפו את הפולקלור עם חיזוי מזג אוויר מספרי מבוסס פיסיקה (NWP) מודלים, אבל אפילו סימולטורים חזקים אלה יש מגבלות. שגיאות קטנות בתנאים הראשונים במהירות, הגדלה, פיזיקה בענן נותרה פרמטר לא שלם, ואת העלות חישובית של פתרונות גבוהים לעתים קרובות מפעילה כוח מסחר בין מהירות לארכיון מלאכותי (בספרדית: תצפיות עמוקות) ומסתוריות של , כאשר אנו רוצים תצפיות על ידי תצפיות על ידי לוויינים עמוקים של תצפיות עמוקות וארכיון בינה מלאכותית (cookie) וארכיון עמוק של , כאשר אנו רוצים תצפיות , כאשר אנו יודעים מה תצפיות תצפיות קרינת קרינת קרינת קרינת מכאניות) , כאשר אנו רוצים תצפיות עמוקות של נתונים קרינת מכ"מדומים (cookies) תצפיות , כאשר אנו רוצים תצפיות עמוקות של תצפיות בינה מלאכותית (cory) תצפיות תצפיות תצפיות בינה מלאכותית, כאשר אנו יודעים מה תצפיות עמוקות של תצפיות תצפיות עמוקות של תצפיות תצפיות תצפיות תצפיות , כאשר אנו רוצים תצפיות תצפיות תצפיות תצפיות תצפיות תצפיות תצפיות קרינת קרינת קרינת קרינת קרינת מכ"מדומים

אין מקום לשיפור יותר מאשר בתכנון תשתיות. גשרים, מערכות מים סערות, רשתות תחבורה ופרוטוקולים תגובה חירום תלויים בתחזיות משקעים מדויקות. חיזוי כי הוא כבוי על ידי כמה מ"מ בתזמון או אינטנסיביות יכול להיות ההבדל בין מעבר יבש לבין מקף מוצף מוצף, בין צוות תחזוקה שגרתי ותגובה בקנה מידה מלא אסון.

תחזיות מסורתיות ושפל

חיזוי מזג אוויר נומרי משתמש במשוואות של דינמיקות נוזליות ותרמודינמיקה כדי מודל האווירה.התבוללות נתונים - תהליך של תצפיות האכלה למשוואות אלה - הוא קריטי, אבל ה-FLT:0chaotic NatureFLT:1 של האווירה פירושו כי תחזיות מעבר לכמה ימים של ירידה משמעותית ברזולוציה.

יתר על כן, מודלים NWP הם אינטנסיביים חישובית.ריצה ברשת של 1 ק"מ המשתרעת על פני אזור גדול דורשת מחשבי-על שסוכנויות רבות אינן יכולות לגשת מסביב לשעון, כתוצאה מכך, תחזיות תפעוליות מופעלות לעתים קרובות בהחלטות קוהרייזר (3 עד 12 ק"מ), אשר חלק את תוכניות הפרטים מאוד לא-לטווח קצר-או FLT:0castsFIRSTFIRECTS, אשר מכסה סביר של שש שעות לאחר מכן, אך במהירות, אך ורק על גבי סערות, אך ורק על גבי סופה, על גבי ארבע שעות נוספות, אך ורק על גבי , אך ורק על גבי ארבע שעות נוספות, אך לא פחות מקודמות, על גבי ארבע שעות נוספות, על גבי ארבע שנים, על גבי , אך לאפס, על גבי תחזיות, על גבי תחזיות, אך הן אינן ממושכות, אך הן אינן תלויות, אך הן אינן ממושכות, אך הן אינן ממושכות, אך הן אינן ממושכות, אך הן אינן ממושכות, אך הן אינן ממושכות, אך הן אינן ממושכות, אך הן אינן מרשימות, אך הן אינן ממושכות, אך הן אינן מרשימות, אך הן אינן ממושכות את הרקורדות, אך הן אינן ממושכות

כיצד עמוק למידה מתייחס לאתגרים הליבה

מידע-Driven Pattern Recognition

למידה עמוקה, תת-קבוצה של למידת מכונה, משתמשת בשכבות מרובות של נוירונים מלאכותיים כדי לחלץ באופן אוטומטי תכונות היררכיות מהנתונים. בהקשר של משקעים חיזוי, זה אומר עיבוד רצפים של תמונות רפלקטיביות מכ"ם, ערוצי לווין ומשתנים מטאורולוגיים כדי ללמוד את החתימות המרחביות והזמניות המתקרבות לרמות גשם איטיות.

רשתות עצביות מהפכתיות (CNN) שימושיות במיוחד עבור שדות מרחביים כמו תצלום מכ"ם ולוויינים.הם הוכשרו לחזות משקעים עד שש שעות קדימה עם מיומנות דומה או מעל זה של מודלים של NWP תפעוליים במקרים רבים.אדריכלות חוזרת, במיוחד FLT:0 Long-Term Memory (LSTM)FLT:1 רשתות וגרסאות חדשות (למשל, כיצד לפתח תבניות מזג אוויריות), מ-TimeG, כדי לפתח את ה-Times, כיצד לתבניות זמן ל-STM, כיצד לפתח את ה-STM, כיצד לתבניות למידה, לדוגמה, כיצד לתבניות זמן, כיצד לתבניות של זיכרון לטווח קצר-LSGTM, לדוגמה, כיצד ל-LSGTM, כיצד ל-LSTM, כיצד ל-SAPG, כיצד ל-LSTM, לדוגמה, כיצד ל-STM, כיצד לפתח את ה-Times, כיצד ל-STM, לדוגמה, לדוגמה, כיצד לתבניות זיכרון לטווח קצר-S.

צילום: Probabilistics

אחת התרומות החזקות ביותר של למידה עמוקה היא היכולת לייצר תחזיות הסתברותיות (FLT:0) הסתברותיות (FLT:1) במקום תוצאה אחת של ⁇ סטים (למשל, 15 מ"מ של גשם בשעה 14:00), רשת עצבית יכולה להיות מאומנת להטמיע התפלגות של כמויות ותזמון אפשריים.עבור תכנון תשתיות - שבו תרחישים גרועים ככל הנראה - זו ראייה פרוביליסטית יכולה לספק חלקיק מהיר של מודלים חישוביים חדשים, אך ורקמותיים, אך ניתן לספק אינטגרטיביים חדשים של מודלים מתקדמים.

המונחים: The Killer Application for Infrastructure

(המונח FLT:0) איסוף מידע ראשון התייחס בתחילה לחיזוי מפורט של השעות הקרובות, המיוצר לעתים קרובות על ידי תוספת של החזרי מכ"ם נוכחיים. Deep Learning has a superchargeed nowcasting byהוספת חיבורים לפיסיקה-מודעים לפרויקטים כגון Google Research's FLT:2 MetNetFLT 3 ו-GLTDGR: 4DRIRFRE 5) , אשר הוכיחו כמה פעמים ל-Ricial (DFLT) רצף של רשתות רזולוציה גבוהה של רזולוציה (RIRSTFLT5)

עבור מתכננים תשתיות, זה אומר:

  • ניתן להוציא את האזהרות של פלאש:0 (פלאש) 1:1 עם דיוק מרחבי גבוה יותר, זיהוי צמתים ספציפיים או מסולנים בנקודת סיכון דקות לפני פגיעת הסערה.
  • (FLT:0) בניית תזמון תזמון תזמון 1:1 יכול להסתגל בזמן הקרוב-אמיתי: אם מודל הלמידה העמוק צופה גשם כבד החל בשעה 10:00 במקום 12:00, ניתן לדחות לשפוך בטון לפני שהצוות מגיע.
  • (FLT:0) ניהול אחסון במים (FLT:1) במאגרים ומאגרי המעצר יכולים לנצל את הלהקות המוכיחות את נפח ותזמון ההמראה של ההמראה מתאים סופניים בודדים.

מקרים אלה הם חשובים במיוחד בסביבות עירוניות, שבו משטחים לא מאוירים גורמים לריצה מהירה ושיטפונות רחוב יכולים להתרחש בתוך דקות של תחילת גשם כבד.

דרישות ברורות לתכנון תשתיות

מערכות מים עירוניות ו Stormwater Systems

רשתות ניקוז עירוניות נועדו באמצעות תקופות החזרה היסטוריות - לדוגמה, סערה של 10 שנים עם כמות מסוימת של משקעים לאורך זמן של 24 שעות. שינויי אקלים עושים את הנתונים הסטטיסטיים האלה מיושן.מודלים למידה עמוקה המשלבים נתונים היסטוריים ותנאים נוכחיים יכולים לנבא את הסיכוי של עלייה בטמפרטורות הבאות, מתן זמן למפעילים לפני אגן מים, פריסת משאבות ניידות, או קרוב לשיטפונות מתחת לערים מסוימות, כמו רוטמטמים אמיתיים, כמו רוטמטמים עם כלי אבטחה וניסוי עם ויזואליים עם כלי אבטחה כבר בשלב זה כבר עם חיישנים אמיתיים.

תשתיות תחבורה

כבישים, רכבות ושדות תעופה כולם זקוקים למידע מדויק של משקעים. A 0.1 אינץ 'שעה הבדל בשיעור גשמים יכול לשנות את המרחק המחבט הנדרש על כבישים מהירים ואת תדירות של בדיקות רכבת.ד.ד.ד.ד.ד.ד.ד.ד.ר.ק.פיד ניתן להאכיל במערכות ניהול תנועה כדי לעדכן יועצים במהירות דינמיות, או לתוך פעולות קרקע שדה תעופה כדי לצפות עיכובים ונקודות ברקים.

כוח הידרואלקטרי ואספקת מים

מפעילי Reservoir חייבים לאזן את הסיכון להציף עם אחסון מים.תחזיות למידה עמוקה המשתרעות מעבר לשש שעות, באמצעות הכשרה על דפוסי אטמוספיריות בקנה מידה גדול, יכול לשפר את התחזיות של 1-3 ימים הבאים.כאשר בשילוב עם מודלים של זרימת זרם זרימה, מוצרי משקעים אלה מסייעים למפעילים להחליט אם לשחרר מים לפני סערה או להחזיק אותו לתקופות יבשות.

מחקרים ב- Scale

MetNet-X ו- NOAA Frontier

בשנת 2021, גוגל AI שחררה את MetNet-2, רשת עצבית שיכולה לחזות משקעים עד 12 שעות לפני ארה"ב עם החלטה 1 ק"מ - הרבה יותר בסדר מאשר 3 ק"מ או רשתות coarser המשמשות מודלים תפעוליים באותה עת.הרשת הוכשרה על 17 שנים של נתונים מכ"ם ולוויינים ויכולה לייצר תחזית מלאה בפחות משני.ALT מאז שילבה גישות למידה דומות למוצרים של NF, למרות שעדיין מ-N.

אינטגרציה של ECMWF

המרכז האירופי לתחזיות מזג אוויר בינוניות-Range (ECMWF) היה חלוצה במיזוג AI עם מודלים מסורתיים.מודל המרכז של ®FLT:0ML מודל ל- post-מעבדותFLT:1) נכון הטיה שיטתית בתחזיות המשקעים האנסמבל, צמצום שגיאות בהסתברות של מעל סף מסוים.

מקור: (ב) "המשאב החיצוני הטוב ביותר למתכננים הוא ספריית ה-FLT:0ECMWF על למידת מכונה במזג אוויר ובאקלים" 1

אתגרים לאימוץ נרחב

איכות נתונים וזמינות

מודלים למידה עמוקה הם רק טובים כמו נתוני האימון שלהם. בחלקים רבים של העולם, רשתות מכ"ם צפופים אינם קיימים, פתרון מרחבי לוויין הוא קורקזה, וארכיונים היסטוריים קצרים.מודלים מאומן על נתונים מאזור אחד לעתים קרובות נכשלים כאשר הם מוחלים על זה כי הנהג הקלימטולוגי והאוגרפיים המקומי הוא שונה.תוכנית לפיתוח מדינות אתגר כפול: הם זקוקים לתחזיות ביותר, אבל יש פחות נתונים פתוח, אך ורק מודלים של תרופות, אך ורק על ידי מודלים של תרופות, עם מודלים, הם נמצאים בניסוי פתוח, אך ורק על ידי מודלים.

חוסר יכולת ואמון

רשת עצבית שמניבה מפה של משקעים צפויים אינה מסבירה את ה-FLT:0 (למה FLT:1) היא עשתה את החיזוי הזה.עבור החלטות תשתית המשפיעות על בטיחות הציבור, מתכננים ומנהלי חירום צריכים להבין את האמון וההיגיון שמאחורי תחזית שיטות AI (XAI) הסבירות, כגון מפות סלקטיבית ותכונה בנקמה, משתפרות, אך הן עדיין אינן מבצעיות.

עלויות פיצויים וזמן אמת

למרות שהיקפו עם מודל למידה עמוק מאומן הוא מהיר, הכשרה מודלים גדולים צורכת אנרגיה עצומה ודורש חומרה מיוחדת (GPUs, TPUs) שירותים לאומיים רבים וחברות הנדסה יש גישה מוגבלת משאבים כאלה. יתר על כן, הפעלת מודל במשרה כמעט-אמת לצד סימולציה NWP ברזולוציה גבוהה יכול למתח מרכזי נתונים תפעוליים.ענן ואדריכלות מודלים יעילים (למשל, ידע דידק, סגסוגת, מחסומים), אך לא מבטלים אותם) אבל לא מחסומיים אותם.

מבט קדימה: התחזיות ההיברידיות

אין זה סביר כי AI יחליף לחלוטין את תחזית מזג האוויר המספרי בעתיד הנראה לעין.במקום, המגמה היא לקראת FLT:0hybrid מערכות FLT:1; שבו רכיבי למידה עמוקים משלימים מודלים המבוססים על פיסיקה.לדוגמה, רשת עצבית עשויה ללמוד את דפוסי השגיאה של מודל NWP ולתקן אותם, או זה עשוי לספק כעתcasts מהירים בעוד NWP הבא פועל משוואות ישירות לתוך פיזיקלציה.

גבול נוסף הוא השימוש במודלים של תפוצה:0 (FLT:0) של מודלים של דיפוזיה וגנים, לייצר שדות משקעים ברזולוציה גבוהה כי הם סבירים גם כאשר נתוני האימון חסרים דוגמאות של הקיצוניים הנדירים ביותר.זה חשוב במיוחד עבור תשתיות המיועדות ל -100 שנים או 500 שנים אירועים, שבו תצפיות הן נדירות ביותר.

לבסוף, השילוב של בינה מלאכותית צופה לתאומים דיגיטליים של ערים ושמיכות מים צפוי להפוך את תכנון תשתיות.אתאום דיגיטלי - העתק וירטואלי דינמי, בזמן אמת של מערכת פיזית - יכול לחלחל ממודל למידה עמוק ולדמיין את הצפה, התנועה מחדש, וניקוי עומס לפני הגשם מתחיל.

מסקנה

למידה עמוקה ובינה מלאכותית אינם רק שיפורים מצטברים לחיזוי המשקעים; הם מייצגים שינוי יסודי כיצד המטאורולוגים והמהנדסים ניגשים לבעיה.על ידי הפיכת מאגרי נתונים עצומים לתחזיות הסתברותיות, פרוביביליסטיות, כלים אלה נותנים לתכנני תשתיות את היכולת לצפות אירועים קיצוניים עם דיוק גדול יותר ומובילים זמן מאשר אי פעם.

המסע ממחקר מבטיח לסטנדרט תפעולי עדיין מתקדם.אתגרים הקשורים למחסור בנתונים, לפירוש המודל ולדרישות חישוביות יש לטפל לפני התחזיות שניתן יהיה לקבל AI-en-en-en-en-en-en-in-in-in-in-in-in-en-en-en-en-in-en-en-in-in-in-in-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-line, אך הכיוון ברור באותו אופן שבו הכיוון שבו התמונה הוא ברור, באותהמודליות, באותהמודל, באותהמודל, באותהאופן שבו התמונה שדמיתפת, באותהמודל, באופן שבו התמונה המתבאותה צורה שדמיתפתודמיתפי הפרשת מודלים, דמיון, דמיון, דמיון שדמיתמהפכה את דרישות חישוביות, מודלים המחשה, ודרישות חישוביות