ML имеет потенциал для применения в любой области. Google сегодня поделился исследованием «Машинное обучение для прогнозирования осадков с помощью радиолокационных изображений», в котором рассматривается вопрос о том, как прогнозы для локальных дождевых бурь и других краткосрочных погодных явлений все еще «особенно сложны».
Современные численные методы, которые непосредственно моделируют динамику атмосферы, эффекты океана, тепловое излучение и другие процессы / эффекты, ограничены вычислительными ресурсами. Например, Национальное управление океанических и атмосферных исследований (NOAA) собирает около 100 терабайт данных в день.
Численные методы также занимают несколько часов. Если для расчета прогноза требуется 6 часов, это позволяет выполнять только 3-4 прогона в день, что приводит к прогнозам, основанным на данных более 6 часов, что ограничивает наши знания о том, что происходит сейчас.
Компания хочет справиться с краткосрочными прогнозами, известными как «прогнозирование текущей погоды», которые не соответствуют современным методам. Это полезно для «немедленных решений», таких как маршрутизация трафика, логистика и даже планирование эвакуации.
Подход Google использует радиолокационные данные и рассматривает прогноз погоды как проблему компьютерного зрения. Нейронная сеть узнает об «физике атмосферы только на учебных примерах, а не на основе априорных знаний о том, как на самом деле работает атмосфера».
В качестве типичного примера типа прогнозов, которые может генерировать наша система, рассмотрим проблему прогнозирования от радара к радару: учитывая последовательность радиолокационных изображений за прошедший час, предскажите, каким будет радиолокационное изображение через N часов, а обычно N колеблется от 0-6 часов.
По сравнению с тремя широко используемыми моделями прогнозирования, прогнозирование дождя от Google на основе ML «превосходит все три из этих моделей» в краткосрочной перспективе.
Одним из преимуществ метода ML является то, что прогнозы являются фактически мгновенными, а это означает, что наши прогнозы основаны на свежих данных, в то время как HRRR сдерживается вычислительной задержкой в 1-3 часа. Это приводит к улучшению прогнозов для методов компьютерного зрения для очень краткосрочного прогнозирования.
Двигаясь вперед, Google рассматривает возможность объединения своей системы с текущим методом, известным как быстрое обновление с высоким разрешением (HRRR), который лучше подходит для долгосрочных прогнозов благодаря использованию трехмерной физической модели.
Как можно видеть, качество нашего прогноза нейронной сети превосходит все три из этих моделей (так как синяя линия выше всех результатов других моделей).
