Как в Google AI используют нейросети для предсказания осадков

МЕНЮ


Искусственный интеллект
Поиск
Регистрация на сайте
Помощь проекту

ТЕМЫ


Новости ИИРазработка ИИВнедрение ИИРабота разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика

Авторизация



RSS


RSS новости

Новостная лента форума ailab.ru


В Google AI использовали сверточную нейросеть для предсказания атмосферных осадков на ближайшие 6 часов. Модель основывается на архитектуре U-Net. Предложенная нейросеть обходит традиционные модели для предсказания осадков по точности предсказаний.

Метеорологические агентства используют различные инструменты для мониторинга погоды. Примером являются радар Doppler, который измеряет осадки в реальном времени, погодные спутники, которые собирают мультиспектральные изображения, и наземные станции, которые измеряют силу ветра и количество осадков напрямую. На текущий момент предсказание осадков требует сбора данных одновременно из нескольких источников. 

В Google AI для предсказания осадков использовали сверточную нейросеть, которая принимает на вход снимок с радара и выдает предсказание на ближайшее будущее. При этом особенностью модели является то, что она делает локализованные предсказания на короткий промежуток времени (до 6 часов). Исследователи называют такую задачу “nowcasting”. 

Преимущества использования машинного обучения заключаются в:

  • Низкой задержке предсказаний (5-10 минут);
  • Низкой вычислительной затратности обученной модели на инференсе;
  • Более высокой точности предсказаний, которая превосходит традиционные модели

Как это работает

Примером того, какие предсказания делает модель, является задача radar-to-radar forecasting. На вход модели поступает последовательность снимков с радара. На выходе модель предсказывает, как снимки с радаров изменятся через N часов с текущего момента. N ранжируется от 0 до 6. Из-за того, что данные радаров представлены в виде изображений, исследователи рассматривают проблему как задачу компьютерного зрения.

В предложенном подходе модель не получает никакие метаданные о том, как работает атмосфера. Одной из задач модели является их выучить из входных изображений. Так, задача предсказания осадков превращается в задачу image-to-image translation. В качестве архитектуры исследователи выбрали U-Net.

(A) Общая структура предложенной U-NET; (B) Операции на начальном (Basic) слое; (C) Операции на слоях даунсемплинга; (D) Операции на слоях апсемплинга

Сравнение модели с традиционными подходами

Исследователи сравнили нейросетевой подход с стандартными моделями для предсказания осадков. Среди стандартных моделей были High Resolution Rapid Refresh (HRRR), optical flow (OF) алгоритм и persistence model. Ниже видно, качество предсказаний HRRR и сверточной нейросети. Нейросеть обходит стандартный подход.

Сравнение предсказания HRRR модели (слева) и предложенной сверточной нейросети (справа) с истинным потоком осадков (по центру)

Источник: neurohive.io

Комментарии: