Времето, с което се сблъскваме, е резултат от сложните физични процеси в атмосферата и океаните, които се управляват от уравненията на термодинамиката и динамиката на флуидите. Но някои от тези уравнения са изключително трудни, може би дори невъзможни за решаване, така че изследователите използват компютри, за да приближат решенията на съответните уравнения в подход, наречен числено прогнозиране на времето (NWP-numerical weather prediction). Усъвършенстването на математическите техники и увеличаването на мощността на компютрите ни дава възможност да правим по-точни прогнози. Но може ли изкуственият интелект да бъде бъдещето на моделирането на времето?

"Времето на Земята по принцип е трудна задача за моделиране с конвенционални инструменти", казва Петер Дюбен (Peter Dueben) от Европейския център за средносрочни метеорологични прогнози (ECMWF). "То показва хаотична динамика и турбулентни характеристики, така че грешките нарастват експоненциално. Тя е сложна в смисъл, че има много компоненти, които си взаимодействат един с друг, и многомащабните взаимодействия между тези компоненти не са ясни. Но от друга страна, разполагаме с огромно количество данни."

Дюбен отбелязва, че само от стандартните прогнози, изготвяни от ECMWF, се генерират и съхраняват по 100 терабайта данни на ден.

На помощ идват машините

"Нуждаем се от инструменти за пълноценна обработка на тези данни, а машинното обучение по принцип е много добър начин да направим това", обяснява Дюбен.

Машинното обучение е изключително успешен подход към изкуствения интелект. В момента се появява нов мощен компютърен хардуер, който е адаптиран специално за математическите техники, използвани при машинното обучение. Наред с това вече има много добър и лесен за използване софтуер за машинно обучение: "Изследователите с ограничени познания по [езиците за програмиране] могат да създават добри инструменти за машинно обучение, защото софтуерът е налице."

При машинното обучение, вместо изрично да се напише компютърен алгоритъм, който да апроксимира решенията на известни математически модели, основани на физиката на времето, изследователите вместо това пишат алгоритъм, който ще позволи на компютъра да се научи на свой собствен модел за приемане на входните метеорологични данни и изготвяне на прогнозата. Вместо да започне с уравнения, описващи съответната физика, компютърът започва с голям брой относително прости уравнения (наречени изкуствени неврони), които са свързани помежду си в невронна мрежа. Докато алгоритъмът за машинно обучение обработва огромните количества налични метеорологични данни, той използва гениални методи, за да регулира силата на връзките между невроните, докато не създаде прогнози, които точно съответстват на тези данни за обучение.

Дюбен говори на семинар, организиран в рамките на изследователската програма "Математика за дълбоко обучение" (Maths4DL). Машинното обучение вече има значителен успех в много приложения, които оказват влияние върху всички области на нашия живот, включително медицината и опазването на околната среда.

"Знанията са налице", посочва Дюбен. "Всеки ден излизат около 100 статии. Вече сме по-способни да адаптираме машинното обучение към конкретни ситуации."

Сега или по-късно?

Машинното обучение вече се прилага много успешно в различни аспекти на прогнозата за времето. Сегашното прогнозиране е прогнозиране за много кратки периоди от време, като се предвижда времето само за няколко часа напред в бъдещето. Това прогнозиране в много кратки срокове е предизвикателство за конвенционалните модели на времето, тъй като изисква много голяма компютърна мощ и данни. Например Националната океанска и атмосферна администрация (NOAA) изготвя едни от най-авторитетните NWP прогнози за времето, но те са ограничени от резолюцията на данните, които моделите могат да приемат (те могат да увеличават само до блокове с големина около 5 км), и изготвянето на една прогноза може да отнеме няколко часа.

Както обяснява Джейсън Хики (Jason Hickey) от Google Research, този подход не е подходящ за прогнозиране на неща като локални бури, които могат да се развият в рамките на няколко часа и изискват незабавни решения - от пренасочване на трафика до планиране на евакуация. Вместо това Хики и колегите му от Google Research използват машинно обучение, за да създадат модел за прогнозиране на времето, който не разчита на предварителни познания за физиката на атмосферата. Екипът използва радарни изображения на данни за валежи, за да обучи невронна мрежа, която да прогнозира как тези радарни изображения ще се развиват във времето. След това тяхната невронна мрежа може да прави прогнози почти мигновено и с много по-малко компютърна мощност. Нещо повече, прогнозите им са много по-точни, когато са тествани в реални условия, както може да се види на визуализацията по-долу.

_{NWP в сравнение с ML прогнозата. Вляво: 1-часова прогноза с помощта на NWP прогноза на NOAA (1 час е границата на тази система). В средата: Истината, т.е. това, което моделите са се опитвали да предскажат. Вдясно: Прогнозите, направени от модела за машинно обучение, създаден от изследователския екип на Google. Кредит: Jason Hickey, Google Research}

"Вижда се, че решението с машинно обучение е много по-реалистично сравнено с радарните изображения на валежите", отбелязва Дюбен за изследването.

Поради много кратките периоди от време, дори ако инструментът за машинно обучение не е съвършен, той все пак ще генерира добра прогноза. А тези прогнози често просто не са възможни с конвенционалните инструменти:

"Разполага се буквално с няколко минути, за да се генерира прогноза, а това е доста трудно за конвенционалните инструменти."

Машинното обучение е успешно и при дългосрочните прогнози, посочва Дюбен. Хаотичната динамика на NWP моделите означава, че дългосрочните прогнози са много ненадеждни. Вместо това изследователите трябва да се обърнат към статистиката, а не към представянето на физическата система, за да направят такива прогнози. Например Ел Ниньо - Южната осцилация е изключително важно метеорологично явление, което действа за много дълъг период от време и оказва влияние върху времето по целия свят. Изследователите са успели да покажат, че машинното обучение се представя добре в сравнение с многогодишните прогнози на конвенционалните NWP модели.

В най-скоро време?

Тези приложения са само два от обещаващите кандидати за използване на машинно обучение за прогнозиране на времето в много краткосрочен план, за няколко часа напред, и в много дългосрочно, за прогнозиране за месеци или години напред.

Но какво може да се направи за няколко дни напред в бъдещето - средната времева скала за прогнозиране на времето? Тези средносрочни прогнози са точно това, от което се интересуват Дюбен и колегите му от ECMWF.

Дюбен работи в област, наречена наука за земната система. Понастоящем моделите на земната система използват дигитално прогнозиране на времето за моделиране на физиката на атмосферата и океана. Но тези два компонента взаимодействат помежду си по сложен начин и оказват влияние и реагират на промените в земната повърхност, особено на промените в земната повърхност и морския лед. За да разберем наистина какво е времето, трябва да разберем как се държат и взаимодействат тези различни компоненти на цялата Земя. Затова моделите на океана и атмосферата са тясно свързани помежду си и с математически описания на други компоненти, като морския лед и земната повърхност, за да се уловят взаимодействията в модела на цялата земна система.

"В ECMWF няма да заменим скоро нашия модел", уточнява Дюбен.

Но те активно проучват как машинното обучение може да подобри възможностите за прогнозиране на ECMWF и разглеждат всеки аспект от процеса на прогнозиране. Работи се по използването на машинно обучение за извличане на информация за огромните масиви от данни или за обединяване на информация от различни източници. Те създават сравнителни набори от данни и алгоритми за машинно обучение, които са на разположение на всеки учен, за да тества ефективността и възможностите на нови инструменти за машинно обучение. И проучват дали могат да емулират определени части от моделите на земната система с невронни мрежи, което ще ускори прогнозите им.

"Надяваме се, че тези емулации ще бъдат много по-бързи и по-ефективни", споделя Дюбен, което е особено полезно за фактори, които са твърде скъпи за конвенционално моделиране. Например ключов фактор за времето е начинът, по който светлинната и топлинната енергия се пренася между различните части на земната система. В прогнозите на ECMWF е включен много опростен модел на влиянието на облаците върху това излъчване (наречен Tripleclouds). Съществува и по-усъвършенстван модел (наречен SPARTACUS), който включва информация за триизмерната форма на облаците, но работата му е четири пъти по-бавна. "Той е твърде скъп и не можем да го изпълняваме."

Неотдавна изследователите на ECMWF успяват да емулират ефектите на 3D формите на облаците, използвайки невронна мрежа, за да сравнят разликата между моделите Tripleclouds и SPARTACUS.

"Прогнозата на емулатора улавя ефектите доста добре", обяснява Дюбен. Но разходите за работа на емулатора са незначителни в сравнение с работата на модела SPARTACUS. "Невронната мрежа на практика идва безплатно. Получавате предимството на 3D ефекта, без да се налага да плащате за него."

Все още предстоят още тестове на този конкретен емулатор, но той е един от многото обещаващи кандидати за замяна на стандартните компоненти в моделите на ECMWF. 

Кога?

И така, сега ли е моментът напълно да се отървем от уравненията на физиката и вместо това да призовем дълбоките невронни мрежи (област от машинното обучение, наречена дълбоко самообучение) да свършат цялата работа?

Според Дейл Дюран, професор по атмосферни науки и приложна математика във Вашингтонския университет, това е така. На срещата на Американското метеорологично дружество през 2022 г. той заяви, че "трябва да се отървем от динамичното ядро", като изцяло заменим численото прогнозиране на времето с прогнозиране на времето с дълбоко обучение (Deep Learning Weather Prediction - DLWP).

^{Туит, показващ смелото твърдение на Дейл Дюран за нов подход на прогнозиране на времето с дълбоко обучение.}

"Това е доста смело твърдение", коментира Дюрен. "Динамичното ядро по принцип е флуидният динамичен компонент на метеорологичните модели, наистина ядрото на модела".

Но Дейл не е просто някой, той дори е написал книга за численото прогнозиране на времето - Numerical Methods for Wave Equations in Geophysical Fluid Dynamics - книгата, която много изследователи използват, за да се научат как да изграждат динамични ядра по принцип. "Той наистина е човек, който знае за какво говори", допълва Дюрен.

Въпреки че ECMWF не очаква скоро да замени динамичното ядро на своите модели, Дюбен е ентусиазиран, че машинното обучение се превръща във важен инструмент в прогнозите за времето.

"Посланието е, че има много области на приложение на машинното обучение във времето и климата, дори и да не искате да замените всичко", заявява Дюбен. "Кои от тези [приложения] са полезни? Ние сме в процес на установяване. И през следващите няколко години ще вземем решение за най-обещаващите и ще ги внедрим в практиката".

Източник: Can artificial intelligence help predict the weather?, Rachel Thomas, Plus Magazine