Прогнозирование дождя, особенно ливня, — сложная задача. Однако она имеет важнейшее значение для многих индустрий — от уличных мероприятий до авиации и аварийно-спасательных служб.
Количество осадков в небе, а также время и место их выпадения, зависит от множества сложных факторов, таких как изменение температуры, формирование облаков и ветер. Предыдущие методы на базе глубокого обучения, как правило, хорошо прогнозировали лишь один из них, например местоположение осадков.
Лучшие из современных методов прогнозирования используют компьютерное моделирование физики атмосферы. Они могут узнать, что произойдет в долгосрочной перспективе, но справляются хуже с оперативным прогнозированием, рассчитанным на ближайшие часы
Как работает новая модель
Команда DeepMind обучила ИИ-модель на радиолокационных данных. В течени дня многие страны выпускают снимки радиолокационных измерений, которые отслеживают формирование и движение облаков. Например, в Великобритании это происходит каждые пять минут.
Вместе эти снимки предоставляют покадровое видео, показывающее, как осадки движутся по стране. Подобные визуальные прогнозы обычно показывают по телевизору.
Исследователи поместили эти данные в глубокую генеративную сеть, подобную GAN — ИИ-модели, генерирующей новые образцы данных, схожие с теми, на которых она была обучена. Такие сети обычно используются для создания фейковых лиц. DGMR научилась создавать фейковые снимки радара, продолжающие последовательность реальных измерений.
Чтобы проверить этот подход, команда попросила 56 метеорологов Met Office слепым методом оценить прогнозы DGMR в сравнении с теми, что выдают физические симуляции и конкурирующий инструмент глубокого обучения. 89% из них заявили, что DGMR показала лучшие результаты.
Сотрудничество DeepMind с Met Office — отличный пример разработки ИИ с учетом интересов конечного пользователя. Команда работала над проектом несколько лет, и отзывы метеорологов помогли сформировать конечный результат.
«Наша модель развивалась бы по-другому, чем если бы мы работали в одиночку, — рассказал научный сотрудник DeepMind Суман Равури. — В противном случае модель могла бы оказаться не особо полезной».
Источник.
Источник: