Google заявляет, что его краткосрочные прогнозы погоды более точны, чем современные модели

Команда исследователей, работающая в исследовательском центре Google Mountain View, разработала инструмент прогнозирования погоды на основе глубокого обучения для прогнозирования краткосрочных погодных явлений. Они написали статью с описанием своего «инструмента прогнозирования текущей погоды» и загрузили его на сервер препринтов arXiv. Они также опубликовали новость, описывающую их работу, в блоге Google AI.

Несмотря на столетия усилий, предсказание погоды все еще является неточной наукой. Текущий подход включает сбор данных из различных источников и анализ их с помощью суперкомпьютеров, которые для прогнозирования занимают часы. Хотя современные прогнозы погоды намного точнее, чем в прошлом, они все еще оставляют желать лучшего, особенно на местном уровне и в краткосрочной перспективе. В этой новой работе команда Google применила иной подход к краткосрочному прогнозированию - вместо использования физики они используют последние радиолокационные карты, чтобы сделать обоснованные предположения о ближайшем будущем.

Новый инструмент Google использует машинное обучение - сверточная нейронная сеть (CNN) обучается распознавать погодные условия, а затем делает прогнозы на основе текущих погодных условий. Получившийся инструмент предоставляет то, что Google описывает как «прогнозирование выпадения осадков» - локальные, почти мгновенные, краткосрочные прогнозы погоды.

Тип CNN, используемый Google, называется U-Net - система, которая работает путем сортировки данных по слоям, которые упорядочены по фазе кодирования для увеличения скорости обработки; итерация используется для уменьшения разрешения изображения, а затем декодирование используется для восстановления изображений обратно. в исходное разрешение. Система анализирует радиолокационные данные за последние N часов, чтобы предсказать погодные события в ближайшие N часов, где N колеблется от нуля до шести часов. Весь процесс занимает всего несколько минут. Система способна возвращать ответы быстрее, чем обычные системы прогнозирования, потому что она игнорирует физику, а вместо этого полагается на обработку изображений.

Исследователи проверили свой инструмент, сравнив его с тремя широко используемыми моделями прогнозирования. Они утверждают, что их прогнозы были более точными в краткосрочной перспективе, чем все три модели, но были менее точными в долгосрочной перспективе.