Ученые используют статистику и методы искусственного интеллекта для исправления систематических ошибок моделей погоды

Прочитано: 181 раз(а)


Для лучшей защиты людей и окружающей среды требуются точные прогнозы экстремальных погодных явлений, таких как зимние бури. Исследователи из Технологического института Карлсруэ (KIT) сравнили методы статистики и машинного обучения для прогнозов порывов ветра, чтобы сделать прогнозы более точными и надежными. Они обнаружили, что учет географической информации и дополнительных метеорологических переменных, таких как температура, значительно повышает качество прогноза, в частности при использовании современных методов ИИ на основе нейронных сетей.

Сильные порывы ветра , такие как шквалы со скоростью более 65 километров в час, могут нанести серьезный ущерб и представлять опасность для людей, животных и объектов инфраструктуры. Для выпуска эффективных предупреждений необходимы ранние и надежные прогнозы. «Порывы ветра трудно моделировать, так как они вызваны мелкомасштабными процессами и ограничены локально», — говорит Бенедикт Шульц, докторант Института стохастики КИТ. «Их предсказуемость с помощью численных моделей прогноза погоды , используемых метеорологическими службами , ограничена и подвержена неопределенностям».

Чтобы лучше оценить такие неопределенности прогнозов, метеорологи составляют ансамблевые прогнозы. На основе текущего состояния атмосферы делают параллельно несколько модельных расчетов для немного разных условий. Таким образом, охватываются различные будущие сценарии развития погоды. «Однако, несмотря на постоянные улучшения, такие ансамблевые прогнозы погоды по-прежнему имеют систематические ошибки, поскольку модели не могут учитывать локальные изменяющиеся во времени условия», — объясняет Шульц. «С помощью искусственного интеллекта мы хотим исправить эти систематические ошибки, улучшить прогнозы и более надежно прогнозировать опасные погодные явления».

Географическая информация и дополнительные метеорологические переменные улучшают прогноз порывов ветра

Вместе с доктором Себастьяном Лерхом Шульц впервые сравнил различные статистические данные и методы ИИ для постобработки ансамблевых прогнозов порывов ветра. «Мы проанализировали как существующие, так и новые методы статистической обработки численных прогнозов погоды и систематически сравнивали качество их прогнозов», — говорит Лерх. Он возглавляет младшую исследовательскую группу «Методы ИИ для вероятностных прогнозов погоды», финансируемую фондом «Вектор» в Институте исследований экономической политики КИТ.

Было обнаружено, что все методы постобработки дают надежные прогнозы скорости порывов ветра. «Тем не менее, методы ИИ намного превосходят классические статистические подходы и дают гораздо лучшие результаты, поскольку позволяют лучше учитывать новые источники информации, такие как географические условия или другие метеорологические переменные, такие как температура и солнечное излучение», — резюмирует Лерх. «Методы искусственного интеллекта уменьшают ошибки прогнозов моделей погоды в среднем примерно на 36 процентов», — добавляет Шульц. Исследователи проанализировали прогнозы, сделанные с помощью модели погоды Немецкой метеорологической службы (DWD) на 175 наблюдательных станциях в Германии, и обнаружили, что методы ИИ дают более точные прогнозы на более чем 92 процентах станций. Нейронные сети могут изучать сложные и нелинейные отношения из доступных больших наборов данных. Это играет центральную роль при исправлении систематических ошибок ансамблевых прогнозов. «Анализ того, какая информация особенно актуальна для методов, также позволяет делать выводы в отношении метеорологических процессов», — говорит Шульц.

Своей работой исследователи способствуют развитию методов прогнозирования погоды на стыке статистики и ИИ. «Метеослужбы могут использовать эти методы для улучшения своих прогнозов», — говорит Лерч. «Для этого мы находимся в тесном контакте с немецкими и другими международными метеорологическими службами».

Ученые используют статистику и методы искусственного интеллекта для исправления систематических ошибок моделей погоды



Новости партнеров