Yazıyı okuyorsunuz: Derin öğrenmeye dayalı çeşitli hava tahmin modelleri üzerine bir çalışma
Hava durumu tahmini, dünya çapında insan yaşamı üzerindeki etkisi nedeniyle çeşitli araştırma topluluklarından birçok araştırmacının ilgisini çekmiştir. Derin öğrenme tekniklerinin son zamanlarda gelişmesi, büyük hava gözlem verilerinin yaygın olarak bulunması ve bilgi işlem teknolojisinin ve bilginin ortaya çıkması nedeniyle, hava tahmini için geniş hacimli meteorolojik veri setlerinde gizli hiyerarşik kalıpları keşfetmeye yönelik pek çok çalışma motive edilmiştir. Aşırı hava olaylarını tahmin etmek, gözlemlenen ve modellenen atmosferik koşullarda aşırı hava ve iklim modellerini belirlemek ve şiddetli hava koşulları için operasyonel rehberlik ve risk değerlendirmesi sağlamak için makine öğrenimi teknikleri uygulanmıştır. Son yıllarda MetNet-2, WF-UNet, ClimaX, GraphCast, Pangu-Weather ve daha fazlası gibi derin öğrenmeye dayalı hava durumu tahmin modellerinin geliştirilmesine tanık olduk. Bu makale, bu modellerin geleneksel hava durumu simülatörlerini nasıl hızla geride bıraktığına dair bir fikir edinmek için bu modellere kısaca bakmaktadır.
ClimaX: hava ve iklim için temel model
Fizik tabanlı sayısal atmosferik modeller günümüzün hava ve iklim tahmin yazılımlarının omurgasını oluşturmaktadır. Bu teknikler doğrusal olmayan dinamikleri ve karmaşık çok değişkenli etkileşimleri modelleyerek bunların yaklaşık olarak tahmin edilmesini zorlaştırıyordu. Yüksek uzaysal ve zamansal çözünürlüğe sahip atmosferik süreçlerin sayısal simülasyonu hesaplama açısından zorludur. Makine öğrenimine dayalı güncellenmiş veri odaklı teknikler, derin sinir ağlarında veri odaklı işlevsel haritalamayı eğiterek aşağı yönlü tahmin veya projeksiyon görevlerini doğrudan yönetir. Bu ağlar, ayrık uzay-zamansal görevler için sınırlı ve tutarlı iklim verileri üzerinde eğitildikleri için sayısal model genelliğinden yoksundur.
Microsoft Otonom Sistemler ve Robotik Araştırması, Microsoft Research AI4Science ve UCLA tarafından yapılan yeni araştırma, hava durumu ve iklim bilimi için farklı değişkenlere, mekansal ve zamansal kapsama ve fiziksel temellere sahip farklı veri kümeleri üzerinde eğitilebilen derin bir öğrenme modeli olan ClimaX’i sunuyor. ClimaX, denetimsiz eğitim için CMIP6 iklim veri kümelerini kullanır. Geniş kullanılabilirliği korurken bilgi işlemi artırmak için ClimaX, Transformer’ı yeni kodlama ve toplama bloklarıyla genişletiyor.
İlk eğitimden sonra, ClimateX, atmosferik değişkenleri ve farklı zaman ve uzay ölçeklerini içerenler de dahil olmak üzere çok çeşitli iklim ve meteorolojik çalışmaları gerçekleştirecek şekilde ayarlanabilir. Daha düşük çözünürlüklerde ve daha az hesaplama bütçesiyle önceden eğitildiğinde bile ClimaX’in evrenselliği, hava tahmini ve iklim tahmin kriterlerinde veriye dayalı temel çizgilerden daha iyi performans göstermesine olanak tanır.
Araştırmacılar, bu yöntemin evrenselliğinin onu daha çeşitli amaçlar için faydalı kılabileceğine inanıyor. Bu, aşırı hava olaylarını tahmin etmeyi ve antropojenik iklim değişikliğini değerlendirmeyi içerebilir; bunlar, halihazırda önceden eğitilmiş bir ClimaX omurga ağından yararlanabilecek Dünya sistemleri bilimi görevlerinin iki örneğidir. Tarım, demografi ve aktüerya bilimleri de hava ve iklimle olan yakın bağlarından dolayı ilgi çekici adaylardır.
Küresel hava tahmini için Pangu-Weather
Huawei Bulut Bilişim’den bir araştırmacı ekibi, derin öğrenmeye dayalı küresel hava durumu tahmin sistemi olan Pangu-Weather’ı tanıttı. Ekip, veri odaklı bir ortam oluşturmak ve 256 milyon parametreyle bazı derin sinir ağlarını eğitmek için ECMWF’nin beşinci nesil yeniden analizinden (ERA5) 43 yıllık saatlik küresel hava durumu verilerini topladı.
Bu, tüm değişkenlerin (jeopotansiyel, spesifik nem, rüzgar hızı, sıcaklık vb.) doğruluğu açısından son teknoloji ürünü Sayısal Hava Tahmini (NWP) tekniklerinden daha iyi performans gösteren ilk yapay zeka tabanlı yaklaşımdır. zaman ölçekleri (bir saatten bir haftaya kadar). Tahmin doğruluğu, hiyerarşik bir zamansal toplama stratejisi ve yükseklik (basınç seviyesi) verilerini kübik verilere dönüştüren bir 3D Dünyaya Özel Transformatör (3DEST) mimarisi kullanılarak artırılır. Kısa ve orta vadeli deterministik tahmin Pangu-forte’dir. Hava durumu (yani tahmin süresi bir saatten bir haftaya kadar değişir).
Pangu-Weather’da tropikal siklon takibi ve gerçek zamanlı büyük üye topluluğu tahmini gibi çeşitli aşağı yönlü tahmin seçenekleri mevcuttur. Pangu-Weather, yapay zeka tabanlı tekniklerin sayısal hava durumu tahmin tekniklerinden daha iyi performans gösterip gösteremeyeceği sorusuna yanıt veriyor ve derin öğrenme hava durumu tahmin sistemlerini iyileştirmek için yeni önerilerde bulunuyor.
Ekip, eğitim yöntemlerinin henüz tam yakınsamaya ulaşmadığına inanıyor. Gözlem bileşenlerinin sayısını artırma, zamansal boyutu 4 boyutlu derin ağların eğitimine entegre etme ve daha derin ve/veya daha geniş ağlar kullanma kapsamı vardır. Hepsi daha fazla belleğe ve FLOP’a sahip GPU’lara ihtiyaç duyar. Bu nedenle gelecekteki hava durumu tahminleri hesaplama kaynakları nedeniyle daha iyi olacaktır.
Çok çözünürlüklü derin öğrenme çerçevesi
Aşırı hava olayları, milyarlarca dolarlık yıllık maliyet ve onbinlerce ölümle insan hayatını ve ekonomiyi büyük ölçüde tehdit ediyor. İklim değişikliğinin sonuçlarının ve yoğunluğunun artması bekleniyor. Ne yazık ki, iklim projeksiyonlarının ana aracı olan genel sirkülasyon modelleri (GCM’ler), aşırı iklim koşullarını yeterince tanımlayamıyor.
Verisk Analytics, Otto-von-Guericke Üniversitesi ve Massachusetts Teknoloji Enstitüsü’nden bir grup bilim insanı, aşırı iklim olaylarının simülasyonunu hızlandırmak için çok çözünürlüklü bir derin öğrenme çerçevesi geliştirdi. Önyargıları ortadan kaldırmak ve GCM simülasyonunun çözünürlüğünü iyileştirmek için, kaba çözünürlükte gerçekleştirilen fizik tabanlı bir GCM’yi gözlemsel verilerle eğitilmiş makine öğrenimi modelleriyle karıştırıyorlar.
Ana maddeler şunlardır:
- Bölgesel modellerin yüksek mekansal çözünürlükte eğitilmesine olanak tanıyan böl ve yönet eğitim stratejisi
- Aşırı değerleri ve uzay-zamansal tutarlılığı vurgulayan yeni istatistiksel kayıp fonksiyonları
- Ölçekler arası enerji aktarımlarını verimli bir şekilde yakalayan, küre üzerindeki fiziksel süreçlerin kompakt, çok ölçekli bir temsili.
Bir karar verici, mevcut senaryolara bakmak ve felaket niteliğindeki hava felaketlerine maruz kalma durumlarını keyfi bir ayrıntı düzeyinde ölçmek için büyük ölçekli tarafsız simülasyonu kullanabilir.
Önerilen mimari, milyonlarca yıllık aşırı iklim simülasyonlarını mümkün kılarak afet olaylarının nicelikselleştirilmesini iyileştiriyor. Pek çok coğrafya ve tehdit arasındaki karşılıklı bağımlılığı dikkate alan küresel simülasyonlara olan ihtiyaç arttıkça, araştırmacılar bunun bu gereksinimin karşılanmasına yardımcı olacağına inanıyor.
Rüzgar alanı tahminlerinin gerçek zamanlı önyargı düzeltmesi
Avrupa Orta Vadeli Hava Tahminleri Merkezi’nden (ECMWF; kısaca EC) yapılan tahminler, bazı sistematik önyargıları içerse de denizcilik afet uyarı sistemlerinin geliştirilmesi için bir temel oluşturabilir. Avrupa Komisyonu’nun beşinci nesil atmosferik yeniden analiz (ERA5) verileri oldukça doğrudur; Ancak birkaç gün gecikti. EC ve ERA5 verileri arasındaki doğrusal olmayan haritalama, uzay-zamansal derin öğrenme yaklaşımıyla geliştirilebilir ve böylece EC’den daha doğru gerçek zamanlı rüzgar tahminleri elde edilebilir.
Çin Okyanus Üniversitesi, Ulusal Deniz Çevresi Tahmin Merkezi ve Portsmouth Üniversitesi tarafından yakın zamanda yapılan bir araştırma, tek bir model kullanarak rüzgar hızını ve yönünü düzeltmek için çok görevli bir öğrenme kaybı fonksiyonu tasarladı. Bunu, uzay-zamansal sıralı rüzgar bileşenlerini modellemek için geliştirilmiş bir “çift kodlayıcı tahminci” mimarisini kullanan çok görevli çift kodlayıcılı yörünge kontrollü tekrarlayan birim (MT-DETrajGRU) modelinde uyguladılar. Batı Kuzey Pasifik (WNP) araştırma bölgesi olarak görev yaptı. EC’nin 10 günlük rüzgar alanı tahminleri, dört mevsim boyunca Aralık 2020’den Kasım 2021’e kadar gerçek zamanlı hareket eğilimine göre düzeltildi. MT-DETrajGRU modeliyle yapılan ayarlamanın ardından, dört istasyondaki rüzgar hızı ve yön sapmaları, orijinal EC tahminlerine kıyasla sırasıyla %8-11 ve %9-14 oranında azaltıldı.
Ayrıca önerilen teknik, verileri farklı iklim koşulları altında tutarlı bir şekilde modelledi. Burada oluşturulan veriye dayalı mod, normal ve tayfun koşullarındaki benzer düzeltme performansının gösterdiği gibi sağlam ve genelleştirilebilirdir. Ekip, gelecekteki araştırmalarda rüzgar alanını etkileyen sıcaklık, hava basıncı ve nem gibi diğer değişkenleri modele dahil etmeyi planlıyor.
Hava durumu modellerini kullanarak rüzgar santrallerinden ve aşağı akıntılardan gelen enerjiyi tahmin etmek
ECMWF, Bonn, Imperial College London, Birleşik Krallık Meteoroloji Ofisi, Exeter ve Shell Research Ltd tarafından yapılan yeni bir çalışma, karmaşık sayısal hava durumu tahmin modellerinin, denetimsiz kümeleme algoritmalarıyla nasıl başarılı bir şekilde entegre edilebileceğini ilk kez gösteren yeni bir rüzgar enerjisi iş akışı oluşturuyor. Rüzgar santrali gücü ve akış yönündeki uyanışlara ilişkin uzun vadeli tahminler. Bu prosedür, bölgesel ve zamansal değişkenliği hesaba katmak için ERA5 yeniden analiz verileri üzerinde denetlenmeyen k-ortalamalar kümelemesi kullanılarak meteorolojik eğilimlerin tanımlanmasıyla başlar. Kümenin güç çıkışını ve akış yönündeki rüzgar santralinin izini hesaplamak için küme merkezinin ortalama meteorolojik koşulları kullanılarak bir WRF simülasyonu gerçekleştirilir.
Bu analiz, açık deniz rüzgar enerjisi üretimi iklim modelleri için en iyi değişkeni ve etki alanı boyutunu belirler. WRF simülasyonlarını çalıştırdıktan sonra ekip, uzun vadeli rüzgar enerjisi üretimini ve aşağı yöndeki iz tahminlerini iyileştirmek için küme simülasyonlarına benzersiz bir işlem sonrası yaklaşım uyguladı. Yeni yöntem, bir simülasyon çalıştırmadan, bir açık deniz rüzgar çiftliğinin akış yönündeki güç ve uyanmaların çok yıllık ve onlarca yıllık tahminlerine olanak tanıyor. Önceki araştırmalar, rüzgar santrali konumları hakkındaki bilgiyi geliştiren doğru ve hızlı uzun vadeli projeksiyonlar sağlayarak bu izleri azaltan ilk araçtır.
Ekip, bu yaklaşımı iki örnek olay bölgesine uygulayarak, hesaplama çabasının %2’sinden daha azını gerektirse de, önerilen uzun vadeli tahminlerin bir yıllık WRF simülasyonlarından elde edilen tahminlerle mükemmel uyum sağladığını gösterdi. Rüzgar hızına göre gruplandırıldığında sonuçlar en doğru sonucu verir.
GraphCast: Verimli orta vadeli küresel hava durumu tahmini
Kıyafet seçiminden kasırga durumunda ne yapılacağına kadar insanlar planlarını sürekli olarak hava durumu tahminlerine göre ayarlıyor. İnsanlar, on gün sonraki hava durumunu bilmeyi gerektiren kararlar almak için, hava durumu servisleri tarafından günde dört defaya kadar yayınlanan “orta vadeli” hava tahminlerine güveniyor.
DeepMind ve Google tarafından yakın zamanda yapılan bir araştırma GraphCast’ı sunuyor. Bu yeni ML tabanlı hava durumu simülatörü, dünyanın en doğru deterministik operasyonel orta menzilli hava tahmin sisteminden ve tüm ML taban çizgilerinden daha iyi performans gösteriyor. GraphCast otoregresif modeli, Avrupa Orta Vadeli Hava Tahminleri Merkezi’ndeki (ECMWF) ERA5 yeniden analiz arşivindeki meteorolojik verilerle eğitilir. Model, sinirsel grafik ağlarına ve yeni, yüksek çözünürlüklü, çok ölçekli ağ gösterimine dayanmaktadır. Ekvatorda yaklaşık 25×25 kilometre çözünürlüğe sahip olup, her biri 37 dikey basınç seviyesine sahip beş yüzey ve altı atmosferik değişken için 6 saatlik aralıklarla 10 günlük tahminler oluşturabilmektedir.
2.760 değişken ve teslim süresi kombinasyonunun %90,0’ında GraphCast, ECMWF’nin deterministik operasyonel tahmin yöntemi HRES’ten daha iyi performans gösterdi. Bildirdiği 252 hedefin yüzde 99,2’sinde GraphCast, önceki en doğru ML tabanlı hava tahmini modelinden daha iyi performans gösterdi. Cloud TPU v4 tarafından desteklenen GraphCast, 60 saniyeden kısa sürede 10 günlük bir tahmin (35 GB veri) üretebilir.
Daha geleneksel tahmin tekniklerinin aksine, ML tabanlı tahmin, eğitim için ek veriler elde edildikçe kolayca boyut ve karmaşıklık açısından büyüyebilir. Bu çalışma, ML tabanlı hava durumu modellemesi için önemli bir ilerlemedir. Prensip olarak, çeşitli hava faktörlerinin modellenmesi ve mevsimsel ve iklim tahminleri, orman yangınları, ormansızlaşma vb. gibi çok daha geniş bir coğrafi-uzamsal-zamansal çevresel ve tahmin zorluklarına uygulanabilir.
WeatherFusionNet uydu verilerinden yağış tahmini yapacak
Derin öğrenme yöntemleri son zamanlarda hava tahmininin doğruluğunu geliştirdi. Prag’daki Çek Teknik Üniversitesi’nden araştırmacılar, 2021 Yapay Zeka için İyi Küresel Zirve Yarışması’nda Aşırı Hava Olaylarını Tahmin Etme Yarışması’nda yağış tahmini için iki derin öğrenme modeli sundu.
İlk model olan sat2rad, mevcut uydu çerçevesinin zaman adımındaki yağış miktarını tahmin eden U-Net tabanlı bir derin öğrenme modelidir. Bu model, radar verileri yalnızca daha küçük bir alan için mevcut olsa bile, evrişimli sinir ağlarının mekansal değişmezliğini kullanarak tüm uydu alanı için yağış miktarını tahmin eder. Sat2rad modeli dört kanal oluşturmak için dört uydu çerçevesine ayrı ayrı uygulandı.
İkinci model PhyDNet, fiziksel dinamikleri tamamlayıcı görsel girdilerden ayıran tekrarlayan bir evrişimsel ağdır. PhyDNet’in iki dalı, gelecekteki tahminler için fiziksel dinamikleri ve artık bilgileri yönetir. Rekabet sınırlamaları nedeniyle PhyDNet, radar çerçeveleri yerine uydu verileriyle eğitildi. Tahmin yapmak için başka bir U-Net, her iki modelin çıkışlarını giriş dizisiyle birleştirdi.
Çalışma, sat2rad ve PhyDNet modellerinin kullanımının yağış tahminini artırdığını gösterdi. Evrişimsel sinir ağlarının mekansal değişmezliği, radar verileri yalnızca daha küçük bir alan için mevcut olsa bile, tüm uydu alanı için yağış miktarının tahmin edilmesine yardımcı oldu.
WF-UNet: Şimdiki yağış tahmini için Weather Fusion UNet
Olumsuz hava koşulları ve bunların kentsel su baskınları veya heyelanlar gibi sonuçları için erken uyarı sistemleri tasarlanırken yağışa ilişkin doğru kısa vadeli (acil) tahminler gereklidir. Şimdiyi tahmin etmenin, tarımsal yönetimden havacılık güvenliğini geliştirmeye kadar çeşitli çevresel kullanımları vardır.
Maastricht Üniversitesi ile Utrecht Üniversitesi arasındaki işbirlikçi araştırma, UNet çekirdek modelinin kullanılmasının fizibilitesini ve bu modelin bir uzantısının Batı Avrupa’daki yağış miktarını üç saat öncesine kadar tahmin etmek için araştırıyor. Çalışmaları, rüzgar hızı ve yağış gibi değişkenleri eğitim sürecine dahil ederek ve ardından bu faktörlerin hedef görev performansını nasıl etkilediğini analiz ederek Core 3D-UNet modelini temel alan Weather Fusion UNet (WF-UNet) modelini önermektedir. yağış tahmini.
Ekip, Avrupa Birliği’nin Dünya gözlem programı Copernicus’un ERA5 veri setini kullanarak, 14 Avrupa ülkesinde altı yıl boyunca (Ocak 2016’dan Aralık 2021’e kadar) yağış ve rüzgara ilişkin radar görüntülerini, 1 saatlik zamansal çözünürlük ve 200 metrelik uzaysal çözünürlükle derledi. 31 kilometre kare. . Önerilen WF-UNet modelini, kalıcılık modeli ve tek yağış radarı giriş verileriyle eğitilen diğer UNet tabanlı mimarilerle karşılaştırmalı olarak değerlendirirler. Bulgulara göre WF-UNet, zaman ufku 1, 2 ve 3 saat olduğunda test edilen diğer en iyi performans gösteren tasarımlara göre sırasıyla %22, %8 ve %6 daha düşük MSE elde ediyor. Geleneksel UNet modeliyle karşılaştırıldığında karar seviyesi füzyonu, arşivlenmiş radar görüntülerinde yer alan uzay-zamansal bilgilerin yakalanmasında daha üstündür. WF-UNet, üstün özellik çıkarma yetenekleri sayesinde kısa vadeli şimdiki tahminde test edilen diğer UNet tabanlı modellerden daha iyi performans gösterir.
