Microsoft pristato mašininio mokymosi įrankį vidutinės trukmės orų prognozių tikslumui gerinti

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

Microsoft sukūrė mašininio mokymosi metodą, skirtą pagerinti orų prognozes nuo dviejų iki šešių savaičių į priekį, koreguojant esamų modelių šališkumus, siekiant padėti žemės ūkiui ir avariniam reagavimui planuoti.

Microsoft tyrėjai pristatė naują mašininio mokymosi metodą, skirtą vidutinės trukmės orų prognozių tikslumui pagerinti, sprendžiant ilgalaikę tradicinių ir dirbtinio intelekto prognozių metodų ribotumą. Šis ekonomiškas įrankis, pavadintas Probabilistinės šališkumo korekcijos (PBC) metodu, aprašytas žurnale Nature ir sukurtas pagerinti orų prognozes nuo dviejų iki šešių savaičių į priekį – laikotarpį, kuriame prognozių patikimumas dažnai mažėja.

Skirtingai nuo tradicinių fizika paremtų prognozių modelių, kurie modeliuoja Žemės atmosferos fiziką, ar DI modelių, kurie prognozuoja remdamiesi istoriniais orų duomenų šablonais, abu susiduria su problemomis dėl apytikslumų, naudojamų užpildyti duomenų spragas. Šios apytikslės gali sukelti sistemingus šališkumus, kurie kaupiasi ilgesnėse prognozavimo trukmėse ir mažina tikslumą. Pavyzdžiui, klimato pokyčiai kaip globalinis atšilimas gali lemti, kad istoriniais duomenimis grindžiami modeliai neįvertina dabartinių temperatūrų.

Microsoft PBC naudoja mašininį mokymąsi sistemingiems šiems šališkumams esamuose prognozavimo modeliuose nustatyti ir taisyti. Jis buvo išbandytas Europos Vidutinės trukmės orų prognozių centro (ECMWF) pirmaujančiame fizika paremtame modelyje, pagerinant kritulių prognozės tikslumą 98% atvejų ir temperatūros prognozes 92% atvejų. Be to, PBC dvigubai pagerino ECMWF naujos DI prognozės sistemos tikslumą studijos analizėse. Šis tyrimas buvo pripažintas ECMWF per jo DI Orų Kvest konkurso.

Svarbu tai, kad PBC yra kompiuteriškai efektyvus, jį galima naudoti CPU, nereikalaujant galingų superkompiuterių ar GPU, todėl jis yra prieinamas meteorologijos agentūroms, turinčioms ribotus išteklius – ypač ekonomiškai besivystančiose šalyse. Tyrėjai pabrėžia, kad jo lengva architektūra leidžia mokslininkams visame pasaulyje pritaikyti įrankį lokalizuotų orų prognozių tikslumui gerinti.

Genevieve Flaspohler, tyrimo autorė ir Rhiza Research vykdomoji direktorė, šiuo metu bendradarbiauja su Kenijos meteorologijos tarnyba, finansuojama Gates fondo, siekdama įdiegti dirbtinio intelekto pagrindu veikiančias ankstyvojo įspėjimo sistemas prieš numatomą ekstremalesnį lietingą sezoną, susijusį su El Niño fenomenu. PBC metodas yra šios iniciatyvos dalis, siekiant pateikti tikslesnes ir operatyvesnes prognozes, naudingas ūkininkams ir avarinių situacijų tarnyboms.

Nors šios naujovės žada daug, ekspertai perspėja, kad naujų DI prognozavimo metodų operatyvinis įgyvendinimas išlieka sudėtingas, tačiau Microsoft požiūris žymi reikšmingą žingsnį link patikimesnių vidutinės trukmės orų prognozių ir platesnio prieinamumo pažangios prognozių technologijos.