Det var 340 f.Kr. när Aristoteles, den berömda grekiska filosofen,
skriva “Metod”,
överenskommelse där han flörtar med väderprognos.
Aristoteles trodde att vädret var “alla effekter som kunde uppstå
allmän uppmaning till luft och vatten och former och delar av jorden och
effekten av delarna “, och sanningen är att den inte är för felkorrigerad
med fokus på atmosfärisk vetenskap.
Lots
det har regnat sedan dess och väderprognosen har fallit
utvecklas, med hjälp av multispektrala bilder, jordstation
mäter vind och nederbörd, Dopplers radar
de mäter nederbörd i realtid … Men nu vill Google mer
där borta och tillämpa konstgjord intelligens i regnprognoser,
och det första resultatet av “omedelbar hög prognos
Resolution “är den mest intressanta.
genom GIPHY
Enligt Google “det
Omedelbara uppskattningar med hög upplösning är viktiga verktyg som behövs
för effektiv anpassning till klimatförändringar, särskilt för klimat
extremt. “Från företaget gav de ett exempel på en lokal storm eller
händelser som utvecklas på en timskala, som storm
elektricitet.
Din maskininlärningsmodell är utformad för att övervinna denna typ
händelser som gör mycket lokala “fysikfria” förutsägelser
det gäller för den omedelbara framtiden. “Fördelarna med inlärningsmodellen
automatiskt är det, om en utbildad modell redan finns, slutsatsen är “beräkningsmässigt
billig “och uppskattningarna är nästan omedelbart. Googles fokus
i en liveprognos (en som funderar över de kommande sex timmarna)
och AI kan producera prognoser med en upplösning på en kvadratkilometer
med en latens mellan fem och tio minuter, inklusive den perioden
Tid för datainsamling.
De visar från Google att förekomsten av regn är relaterad till
förekomsten av moln, men det “korrelerar inte perfekt”.
De förklarade också att radardata kom från markstationer och
de är vanligtvis inte tillgängliga i havet, annat än att deras sortiment varierar
geografiskt så här Google har valt “en gratis metod
databaserad fysik. “ Vad betyder det:
“Det betyder att det neurala nätverket kommer att lära sig att uppskatta fysiken
stämningen är bara från ett träningsexempel, inte in
kunskap för a priori hur stämningen fungerar (…).
Med tanke på ordningen med radarbilder under den senaste timmen uppskattar vi vilka
det kommer att vara en radarbild om N timmar från och med nu, där N
Vanligtvis varierar från 0 till 6 timmar. Eftersom radardata är inställt i
bild, kan vi förbättra denna förutsägelse som ett datorsyn problem,
härleda den meteorologiska utvecklingen av bildsekvensen
post “-knappen.
För detta har Google använt en typ av invändig neuralt nätverk som kallas U-Net. Det har
skiktföljden är arrangerad i en kodningsfas som minskar
upplösning av bilder som passerar genom den. Vidare, i en
avkodningsfas, denna låga upplösning
expandera till en högre upplösning.
han inmatning U-Net är en bild som innehåller en kanal för var och en av dem
multispektrala satellitbilder. Till exempel om vi introducerar i modellen
tio satellitbilder tas med tio olika våglängder vid
sista minuten är modellinmatningen 100 kanals bilder.
Google tränar i detta fall nät baserat på historiska observationer på
USA från 2017 till 2019. Uppgifterna är indelade i perioder
fyra veckor, där de tre första veckorna används
utbildning och den fjärde veckan för utvärdering. Dessutom,
Resultaten jämförs med prognosen för tre traditionella modeller:
Snabbuppdatering med hög upplösning (HRRR)
från NOAA, en algoritm
optiskt flöde och modell
uthållighet
Problemet med optiska flödesalgoritmer är att de försöker spåra
flytta objektet genom sekvensen av bilder och, i fallet
regn, Det antas att den allmänna mängden nederbörd i Indonesien
stort område konstant under förutsägelsens varaktighet.
Underhållsmodellen bygger under tiden på tillstånd
idag förutsäga morgondag. “Det här kan se ut som en modell
för enkelt att jämföra, men det är en vanlig praxis som ges
svårigheter att förutsäga vädret, “förklarade de från Google.
Resultaten är ordnade i en precision graf och
återhämtning. Googles förutsägelse är den blå linjen och med tanke på det
Google har inte direkt tillgång till HRRR-modellen och gör det inte heller
persistens och optiskt flödesalgoritm har inte kapacitet för det
noggrannhetsutbyte och återhämtning, dina förutsägelser representeras med
poäng
“Som ni ser är kvaliteten på vår neurala nätverksprognos går utöver
för dessa tre modeller (på grund av den blå linjen ovanför allt
resultat från andra modeller) “, visar de från Google, som de känner igen
att “det är viktigt att komma ihåg att HRRR-modellen börjar övervinnas
våra resultat idag när prognoshorisonten når
cirka fem eller sex timmar. “
De hävdar dock att en av fördelarna med deras modell är den
effektiva förutsägelser direkt, “medan HRRR har
beräkningslatens på en till tre timmar. Med andra ord, det där
Googles modell är mer effektiv för kortsiktiga förutsägelser,
medan HRRR-modellen är mer effektiv på lång sikt
Via Xataka – Mer information | Google
