Прогнозирование погоды — непростая задача. Предсказание будущих погодных условий на обширных или даже узких участках поверхности Земли сводится к сложным микрофизическим процессам. Как отмечает доцент Колледжа инженерии и руководитель группы моделирования атмосферных процессов и качества воздуха в Университете Коннектикута Марина Астита, природа хаотична.
Астита и её исследовательская группа
Астита и её исследовательская группа находятся в авангарде изучения способов улучшения прогнозирования погоды с помощью искусственного интеллекта (ИИ) и машинного обучения для усовершенствования существующих физических моделей. Они разработали новые методы прогнозирования накопления снегопадов и порывов ветра, связанных с экстремальными погодными явлениями, в трёх недавних статьях, опубликованных в журналах:
* Journal of Hydrology;
* Artificial Intelligence for the Earth Systems;
* Journal of Hydrology.
Постдокторант Уммюль Хайра (Ph.D. ’24) возглавляла работу по прогнозированию снегопадов во время своего обучения в докторантуре. Кандидат наук Исрат Джахан увлечена созданием моделей, улучшающих прогнозы разрушительных порывов ветра во время штормов.
Важность и повседневное применение улучшенных возможностей прогнозирования
Исследователи встретились с UConn Today, чтобы обсудить важность и повседневное применение расширенных возможностей прогнозирования с использованием новых технологий.
Астита: «Есть особенности северо-востока, которые делают прогнозирование погоды особенно сложным. Это особенно актуально для зимней погоды, потому что у нас бывают „норд-остеры“, которые могут приходить либо из центра страны, либо из Персидского залива. Некоторые движутся медленно и их легко предсказать. Другие могут быть так называемым циклоном-бомбой, когда они стремительно приближаются и за короткое время выпадает много снега».
Для прогнозирования погоды мы традиционно используем численные модели, основанные на принципах физики, и за последние 20–30 лет они значительно улучшились. В Университете Коннектикута с 2014 года работает собственная система прогнозирования погоды, основанная на физических моделях. Однако численное прогнозирование погоды сопряжено с проблемами из-за неопределённости в параметризациях, которые необходимы, когда для конкретного процесса не известны физические законы.
Прогнозирование порывов ветра
Для прогнозирования порывов ветра порывы ветра являются сложной переменной. Это ветер, но то, как мы его наблюдаем и как моделируем, отличается.
Астита: «Осадки — это микромасштабный процесс. Когда воздух поднимается и охлаждается, образуются облака, и внутри этих облаков через сложные микрофизические взаимодействия развиваются крошечные облачные капли. Со временем некоторые из этих капель становятся достаточно большими, чтобы превратиться в капли дождя или снежинки. Как только они достигают критического размера, под действием силы тяжести они падают на землю в виде осадков. Весь этот процесс регулируется микрофизическими процессами».
Мы пытаемся предсказать такие микрофизические процессы, встроенные в численные погодные модели, решая множество уравнений и параметризаций. Эти модели описывают нашу атмосферу в виде трёхмерной сетки, разделяя её на дискретные ячейки, где мы решаем уравнения, основанные на первых принципах (движение, термодинамика и многое другое). Такой подход представляет собой серьёзную проблему: даже при увеличении разрешения каждая ячейка сетки часто представляет собой большой объём воздуха, обычно от одного до четырёх квадратных километров. Несмотря на попытки уточнить сетку, эти ячейки по-прежнему охватывают обширные территории, ограничивая способность модели разрешать мелкомасштабные процессы.
Использование машинного обучения для прогнозирования погоды
Пять лет назад мы решили проверить, может ли помочь в прогнозировании порывов ветра и снегопадов система машинного обучения. Это сопряжено со своими проблемами и неопределённостями, но мы быстро увидели, что у этих инструментов большой потенциал для исправления ошибок и работы лучше, чем могут численные модели прогнозирования погоды, причём за гораздо меньшее время. Машинное обучение и искусственный интеллект могут помочь улучшить анализ порывов ветра и снегопадов, но эти системы также не идеальны.
Мы хотим иметь возможность лучше прогнозировать штормы над Коннектикутом и северо-востоком США, поэтому начали это исследование с использованием машинного обучения и искусственного интеллекта, хотя большинство исследований о том, как внедрить искусственный интеллект в прогнозирование погоды, проводится либо в глобальном масштабе, либо с гораздо более грубым разрешением. Но мы приближаемся к этому.
Астита: «Представьте себе „норд-остер“, надвигающийся на нас зимой; они приносят много снега и ветра. Мы работаем с Центром энергетики Eversource и заинтересованы не только в научном прогрессе, но и в воздействии и точности прогнозирования, когда и где этот шторм произойдёт в Коннектикуте. Точность прогнозирования погоды влияет на оценку последствий; например, на перебои в подаче электроэнергии. Мы можем сильно недооценивать или переоценивать последствия».
Сотрудничество с Центром энергетики Eversource
Наше тесное сотрудничество с Центром энергетики Eversource включает в себя то, что наши непосредственные сотрудники используют эту информацию для оперативного прогнозирования перебоев в подаче электроэнергии в Коннектикуте и других обслуживаемых территориях. Эта информация может быть передана менеджерам коммунальных служб, чтобы они могли подготовиться за два-три дня, что указывает на прямую связь между наукой и техникой, применением и менеджером.
Джахан: «Это невероятно полезно осознавать, что моя работа может улучшить ранние предупреждения и дать сообществам больше времени на подготовку. Комбинируя искусственный интеллект и анализ неопределённости, мы не просто делаем прогнозы о порывах ветра более точными — мы помогаем лицам, принимающим решения, планировать с большей уверенностью».
Предоставлено Университетом Коннектикута.