Havadan Makine Öğrenmeye Lore: Yeni Önlem Tahmini Yeni Çağ

Yüzyıllar boyunca, insanlık yağmurun geldiğinde gökyüzünden baktı. Modern meteoroloji, fizik tabanlı sayısal hava tahminine (NWP) modellerine göre, ancak bu güçlü simülatörlerin büyük gözlemler, uydu görüntüleri ve radar verilerinin sınırlarına sahip olduğu küçük hatalara rağmen, bu teknikler bilmek istediğimiz boşlukları kapatıyor - tam olarak hız ve detay arasında bir ticaret-dönüşümle çalışıyor.

Hiçbir yerde altyapı planlamasında daha fazla tutarlılık var. Köprüler, fırtınalı sistemler, ulaşım ağları ve acil yanıt protokollerinin hepsi doğru yağış tahminlerine bağlı olduğunu araştırıyor. Zamanlayıcı veya yoğunlukta birkaç milimetrenin, kuru bir geçiş ve sel olarak aşağılanma arasındaki fark anlamına gelebilir.

Geleneksel Tahminler ve Onun Gapleri

Sayısal hava tahmini, atmosferin denklemlerini ve termodinamiklerini atmosferi modellemek için kullanır. Veri assimilasyon - bu denklemlere yapılan beslenme süreci kritiktir, ancak [[ŞUygunluk:0) atmosferin denklemleri, birkaç gün boyunca doğal olarak bir kararın ötesinde tahminler anlamına gelir.For yağış, problem daha da zordur. Rain, sürekli bir alan değildir; yerel topografi, arazi kullanımı ve kentsel ısı adaları tarafından yoğun bir şekilde etkileyebileceği olaylardan biridir.

Dahası, NWP modelleri hesaplamak yoğundur. Büyük bir bölgeden yayılan bir 1kilometre ağı, birçok kurumun saat boyunca erişemeyeceği süper bilgisayarlar gerektirir. Sonuç olarak, operasyonel tahminler genellikle koarser kararlarında (-12 km) sık sık sık sık sık sık sık sık sık görülür, çok ayrıntı planlayıcılara ihtiyaç duyar. kısa vadeli tahminler - veya nowcasts) sonraki sıfırı altı saate kadar örtmeye başlar - daha fazla fazla radar yankılanırlar, büyük, organize edilmiş fırtınalar için makul bir teknike güvenir.

Derin Öğrenme, Core Challenges'a Nasıl Hizmet Ediyor

Data-Driven Pattern Recognition

Derin öğrenme, makine öğreniminin alt kümesi, çoklu yapay nöronların otomatik olarak hiyerarşik özellikleri otomatik olarak çıkarmak için kullanım alanları kullanır, örneğin, belirli bir bulut top doku veya düşük sinyallerin düşük seviyelerdeki kaymalarını öğrenme şekli, uzaysal ve zaman imzalarını öğrenmenin yolları. elcrafted özellikleri aksine, bir sinir ağı ince korelasyonlar keşfedebilir - örneğin, belirli bir bulut top doku veya hafif bir geçiş yolu düşük seviyelerdeki yüksek çözünürlükte.

Convolutional sinir ağları (CNNs) özellikle radar ve uydu görüntüleyici gibi uzaysal alanlarda faydalıdır.Onlar, operasyonel deterministik NWP modellerini birçok durumda tahmin etmek için eğitilmiştir.Recurrent architectures, özellikle de [[Dönemli Memory (LSTM) ağları ve yeni biçimleri (örneğin, TrajGRU), ConvLSTM, TrajGRU), bir sonraki radar çerçeveden nasıl gelişebileceklerini öğrenmek için yeteneği ekleyin.

Görüntüden gelen sonuçlar Probabilistic Tahminlere

Derin öğrenmenin en güçlü katkılarından biri, olası miktarların ve zamanlamaların dağılımını üretmektir.Süresel tahminler[Dön 1: 1 ). Tek bir deterministik sonucu yerine (örneğin, 15 mm yağmuru 14:00'te), bir sinir ağı mümkün olan miktarların ve zamanlamaların dağılımını üretmek için eğitilmiştir.

Şimdi yayınlandı: Altinaj için Uygulama:

Önceki yazıya göre, daha önce birkaç saat boyunca ayrıntılı bir tahmine atıfta bulunan ve genellikle mevcut radar geri dönüşleri ile üretilen Deep learning, fizik bilgilendirilmiş bağlamı ekleyerek süper iyileştirici bir şekilde tasarlanmıştır. Google Research'sOURD[DDDDDDDDDDDDDDDDDDDDDDDD) gibi projeler, tarihsel radar dizilerinde eğitilmiş olan sinir ağların rakip tahminleri üretebileceğini göstermiştir.

altyapı planlayıcıları için, bu demektir:

  • [FONT:0]Flash sel uyarıları [Döneticisel hassasiyetle yayınlanabilir, belirli kesişimleri veya fırtına vuruşlarından önce risk dakikalarını tespit edebilir.
  • [FONT:0]Construction scheduling[[[Dönetici: 1) Yakın zamanda adapte edilebilir: derin öğrenme modeli, 12 yerine 10:00'da başlayan ağır yağmuru tahmin ederse, mürettebat gelmeden önce beton dökme ertelenebilir.
  • [FONT:0)Water depolama yönetimi[Döneticilerde ve tutuklu basinlerde bulunan su depolama yönetimi, bireysel fırtına hücrelerinden çıkış hacmini ve zamanlamayı tahmin eden yayınlardan yararlanabilir.

Bu kullanım vakaları özellikle kentsel ortamlarda önemlidir, sert yüzeyler hızlı koşu ve sokak seling ağır yağmurun başlangıcının dakikalarında meydana gelebilir.

Altyapı Planlaması için Beton Uygulamaları

Urban Drage ve Fırtınasu Sistemleri

Şehir drenaj ağları tarihsel geri dönüş dönemlerini kullanarak tasarlanmıştır - örneğin, birkaç saat boyunca belirli bir toplam yağış ile 10 yıllık bir fırtına, Tokyo ve Rotterdam gibi bu istatistikleri eski haline getiriyor.

Ulaşım Altyapısı

Yollar, demiryolu ve havalimanları tüm hassas yağış bilgilerine ihtiyaç duyar. Yağmurda 0.1 inçlik saatlik bir fark, otoyollarda gerekli frenleme mesafelerini ve demiryolu denetimlerinin frekansını değiştirebilir. Derin öğrenme sistemleri, yerelleştirilmiş downpours tarafından tetiklenen akışların erken uyarıları, yüksek uzaysal karar ve yol açma süresini talep eden bir yaşam boyu tasarruf gerektiren bir uygulamadır.

Hidro güç ve Su Supply

Reservoir operatörleri su depolama ile sel risk dengelemelidir. Derin öğrenme tahminleri altı saatten fazla uzatıyor, geniş ölçekli atmosferik desenler üzerinde eğitim kullanarak, önümüzdeki 1-3 gün boyunca uygulanan akış tahminlerini önemli ölçüde geliştirdiler.Bu yağış ürünleri, bir fırtınadan önce su serbest bırakmaya veya kuru dönemlere devam etmeye karar verdi.

Örneklemler

MetNet-X ve NOAA Frontier

2021 yılında Google AI, MetNet-2'yi serbest bıraktı ve 17 yıl boyunca radar ve uydu verilerini tahmin edebilir ve ikinci bir NOAA ile birlikte benzer derin öğrenme yaklaşımlarını deneysel ürünlere dahil etmiş durumdaydı. ABD Ulusal Hava Servisi hala resmi tahminler için NWP modellerine dayanıyordu.

ECMWF'nin Makine Öğrenme Entegrasyonu

Avrupa Orta-Range Hava Tahminleri Merkezi (ECMWF), belirli eşleri aşabilme olasılığında hataların oluşmasında öncü olmuştur.Bu hibrit yaklaşım - AI'yı çıktılara uygulamak - yaygın olarak kabul edilir çünkü yerel ölçeklere yönelik veriye dayalı olarak algılanan modelin yorumlanabilirliğini korur.

Planlayıcılar için yararlı bir dış kaynak, [FOMWF'nin kütüphanesi hava ve iklimde öğrenme konusunda ).

Genişleme Kabul Etmeye Karşı Mücadele

Data Quality ve Müsaitlik Durumu

Derin öğrenme modelleri sadece eğitim verileri kadar iyidir. Gelişen birçok ülkedeki yoğun radar ağları var değildir, uydu uzaysal çözümün coarse ve tarihsel arşivler, bir bölgeden gelen veriler üzerinde eğitim alan modeller genellikle başarısız olur çünkü gelişmekte olan ülkelerdeki yerel iklimel ve orografik sürücüler iki zorlukla karşı karşıyadır: tahminlere ihtiyaç duyarlar, ancak modellere en az veriye sahiptir. Transfer öğrenme - bir model geliştirme konusunda bir model eğitiminin nerede iyi eğitimlidir.

Yorumlama ve Güven

Tahmin edilen bir yağış haritasının ortaya çıkardığı bir sinir ağı, selamlama haritaları ve bağlantıları gibi, bu tahminin geliştirilmesini sağladı.Siyasi güvenlik, planlayıcılar ve acil durum yöneticilerinin tahmin edilebilir AI (XAI) yöntemlerinin arkasındaki güven ve nedenleri anlamaları gerekir, ancak henüz operasyonel olarak değil.

C ⁇ Maliyet ve Gerçek Zamanlı Inference

Eğitimli derin bir öğrenme modeli ile ilgili çıkarım hızlı olsa da, büyük modeller muazzam enerji tüketiyor ve özel donanım (GPUs, BTCs) gerektirir. Birçok ulusal hava servisi ve mühendislik firması bu engelleri azaltır ancak tam zamanlı olarak, yüksek çözünürlüklü NWP simülasyonları ile bir model çalıştırın.

İleriye bakın: Hibrit Tahmin Paradigm

AI'nın öngörülebilir bir gelecekte sayısal hava tahminini tamamen değiştireceği tahmin edilemez. Bunun yerine, trende doğru gidiyor:0)hybrid sistemleri), derin öğrenme bileşenlerinin fizik tabanlı modelleri tamamladığı durumlarda, bir nWP modelinin hata modellerini ve doğru bir şekilde öğrenebileceğini veya bir sonraki NWP'nin çalıştırdığı zaman hızlı yayınlar sağlayabilir.

Başka bir sınır, eğitim verilerinin en nadir uçları örneklerine sahip olduğu yüksek çözünürlüklü alanları üretmek için diffüzyon modelleri ve GANs gibi, özellikle de 100 yıllık veya 500 yıllık olaylar için tasarlanmış altyapı için tasarlanmıştır.

Son olarak, AI tahminlerinin dijital ikizlerine ve su dökmelerine entegrasyonu, altyapı planlamasını dönüştürmek için hazırlanmaktadır. Bir dijital ikiz - fiziksel sistemin gerçek zamanlı sanal çoğaltması - şu anda derin bir öğrenme modelinden aktarılabilir ve bu tür bir yollamadan, trafik geri yüklemeden kaynaklanan bir yükyü simüle edebilir ve yağmurdan önce yük yük yük yük yük yük yük yüklenebilir.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Derin öğrenme ve AI sadece yağış tahminlerine yükseltilmeye yönelik iyileştirmeler değildir; meteorologların ve mühendislerin probleme nasıl yaklaştığını temsil ederler.Çok sayıda gerçek zamanlı altyapı kararlarının yapılması gerekir - bir yol kapatıp, bir barajın serbest bırakılması veya inşa edilmesi yeteneği verir.

Operasyonel standart için umut verici araştırma yolculuğu hala devam ediyor. Veri kıtlığı, model yorumlama ve hesaplama talepleri, AI'nın etkin olduğu küresel olarak varsayılan tahminlerden önce ele alınmalıdır.Ancak, bu araçlar uydu görüntüleyicisi bir fırtına veya yağmuru takip eden şekilde, derin öğrenme şimdi süper bilgisayar destekli bir atmosfer tarafından tahmin edilebilir.