Microsoft paljasti koneoppimistyökalu keskipitkien sääennusteiden tarkkuuden parantamiseen

Kuva: Illustrative image · Logos of the Nokia Corporation and that of Windows Phone 8 by the Microsoft Corporation. · Public domain · Lähde

Microsoft kehitti koneoppimismenetelmän parantamaan sääennusteita kahdesta kuuteen viikkoon eteenpäin korjaamalla olemassa olevien mallien vinoumia, tukien maatalouden suunnittelua ja hätätilanteiden hallintaa.

Microsoftin tutkijat ovat esitelleet uuden koneoppimistekniikan, jonka tavoitteena on parantaa keskipitkien sääennusteiden tarkkuutta ja ratkaista perinteisten sekä tekoälyä hyödyntävien ennustusmenetelmien pitkään jatkunut rajoitus. Tieteellisessä Nature-lehdessä julkaistu kustannustehokas työkalu, nimeltään todennäköisyyspohjainen vinouman korjaus (Probabilistic Bias Correction, PBC), on suunniteltu parantamaan sääennusteita kahden ja kuuden viikon päähän, ajanjaksolle, jolle ennusteiden luotettavuus yleensä heikkenee.

Toisin kuin perinteiset fysiikkaan perustuvat mallit, jotka simuloivat Maan ilmakehän fysiikkaa, tai tekoälymallit, jotka ennustavat historiatiedon perusteella, molemmat kohtaavat haasteita, koska ne joutuvat käyttämään likimääräisyyksiä täyttääkseen datan puutteita. Nämä likimääräisyydet voivat tuoda mukanaan järjestelmällisiä vinoumia, jotka kasaantuvat pidemmillä ennustejaksoilla heikentäen tarkkuutta. Esimerkiksi ilmastonmuutokset, kuten globaali lämpeneminen, voivat johtaa malleihin, jotka perustuvat historiallisiin tietoihin, aliarvioimaan nykyisiä lämpötiloja.

Microsoftin PBC käyttää koneoppimista tunnistaakseen ja korjatakseen nämä järjestelmälliset vinoumat olemassa olevissa ennustusmalleissa. Menetelmää on testattu Euroopan keskipitkien sääennusteiden keskuksen (ECMWF) johtavassa fysiikkaan perustuvassa mallissa, jossa se paransi sateen ennustetarkkuutta 98 %:ssa tapauksista ja lämpötilan ennusteita 92 %:ssa. Lisäksi PBC kaksinkertaisti ECMWF:n uuden tekoälypohjaisen ennustusjärjestelmän tarkkuuden tutkimusanalyyseissa. Tämä tutkimus palkittiin ECMWF:n AI Weather Quest -kilpailussa.

Merkittävästi PBC on laskennallisesti tehokas, ja sitä voidaan suorittaa suorittimilla ilman energiaa kuluttavia supertietokoneita tai grafiikkasuorittimia, mikä tekee siitä saavutettavan myös rajallisia resursseja omaaville säähallinnon toimijoille, erityisesti kehittyvissä talouksissa. Tutkijat korostavat, että sen kevyt arkkitehtuuri antaa tutkijoille maailmanlaajuisesti mahdollisuuden mukauttaa työkalua paikallisten sääennusteiden parantamiseksi.

Genevieve Flaspohler, tutkimuksen kirjoittaja ja Rhiza Researchin toimitusjohtaja, tekee parhaillaan yhteistyötä Kenian meteorologisen palvelun kanssa, Gates-säätiön tukemana, saadakseen käyttöön tekoälypohjaiset varhaisvaroitusjärjestelmät ennen odotettavissa olevaa El Niñoon liittyvää poikkeuksellisen rankkaa sadekautta. PBC-menetelmä on osa tätä hanketta, jonka tavoitteena on tarjota täsmällisempiä ja ajantasaisempia ennusteita, jotka hyödyttävät viljelijöitä ja hätätilanteisiin vastaajia.

Vaikka lupaava, asiantuntijat varoittavat, että uusien tekoälypohjaisten ennustusmenetelmien operatiivinen käyttöönotto on edelleen monimutkaista, mutta Microsoftin lähestymistapa merkitsee merkittävää askelta kohti luotettavampia keskipitkän aikavälin sääennusteita ja kehittyneempien ennustusteknologioiden laajempaa saavutettavuutta.