Российские учёные разработали нейросеть для прогноза арктических штормов. Она точнее предсказывает полярные циклоны и новоземельскую бору. Решение выявляет ошибки глобальных погодных моделей. Эти модели склонны сглаживать мелкомасштабные вихри и температурные аномалии. Именно такие факторы становятся ключевыми причинами внезапной непогоды. Внедрение разработки повысит безопасность судоходства на Северном морском пути. Также вырастет безопасность авиасообщения и добычи ресурсов в регионе.
В основе программы лежит особый алгоритм. Он штрафует глобальные погодные модели за усреднение данных. В машинном обучении штраф — это математический механизм. Он заставляет модель меньше доверять определённым решениям. Усреднение данных — частая проблема моделей на основе искусственного интеллекта. Из-за этого теряются экстремальные, но важные погодные события. Существующие нейросетевые модели также обучены на данных с низким пространственным разрешением. Они тоже склонны сглаживать мелкие вихри и аномалии температуры. Кроме того, систематические ошибки в температуре дают неверные прогнозы по ледовому покрову.
Как рассказал старший научный сотрудник Института океанологии имени П.П. Ширшова РАН и заведующий лабораторией машинного обучения в науках о Земле МФТИ Михаил Криницкий, в Арктике от качества прогнозов зависит безопасность судоходства. Также от них зависят авиасообщение, добыча ресурсов и другие виды деятельности. При этом в регионе мало метеостанций. Глобальные погодные модели часто имеют слишком низкое разрешение. У них также бывают выраженные систематические ошибки.
Для решения этой проблемы создали программу BERTUNet. Её особенность в том, что она корректирует крупномасштабные ошибки прогноза. При этом программа намеренно сохраняет мелкие вихревые структуры. Это нужно, чтобы не терять критически важные локальные аномалии погоды. В работе приняли участие сотрудники Института океанологии имени П.П. Ширшова РАН. Также в проекте участвовали Московский физико-технический институт, Сколковский институт науки и технологий и Институт AIRI.
Нейросеть обучили на нескольких типах данных. В работе использовали архив ERA5. Это крупнейшая в мире база метеорологических данных с разрешением 0,25 градуса. Так называют размер ячейки географической сетки. На экваторе он соответствует примерно 28 км × 28 км. Также применялась более детализированная модель Weather Research and Forecasting model с шагом 6 км. Дополнительно в обучающую выборку включили измерения спутников. Туда же вошли данные наземных метеостанций на суше и в море. Исследование охватило наблюдения в акватории Карского и Баренцева морей за 4,5 года.
Инженер-исследователь Центра искусственного интеллекта Сколтеха Виктор Голиков объяснил, что исходная ошибка температуры у поверхности в ряде случаев составляла почти 5 градусов. Новая нейросеть снизила её до 2,1 градуса. Неточность в скорости ветра уменьшилась примерно на 20%. Спектральный анализ показал важный результат. Энергия мелких атмосферных вихрей в исправленном прогнозе осталась на уровне исходного высокого разрешения. Обычные методы коррекции полностью подавляли эти структуры.
Разработка в первую очередь рассчитана на обеспечение безопасности на Северном морском пути. Она даёт более точные прогнозы ветра у поверхности моря. Это нужно для оптимальной проводки судов в сложных ледовых и волновых условиях.
Ведущий метеоролог портала «Гисметео» Леонид Старков рассказал, что Арктика остаётся белым пятном на карте погоды. Геостационарные спутники не видят выше 70-й параллели. Полярные орбитальные аппараты дают лишь фрагменты данных. Поверхность региона пёстрая. Здесь есть лёд, вода, острова и горы. Из-за таяния льдов и испарения температура может быть на 6–8 градусов выше нормы. Это компенсируется обвалами холода в Европе и России. При этом большинство моделей переоценивают содержание льда и недооценивают жидкую воду в атмосфере. Характерные явления — полярные мезоциклоны и новоземельская бора — требуют от модели высокого разрешения.
Сейчас метеорологи компенсируют недостаток наблюдательных данных разными способами. Специалисты расширяют наблюдательную сеть и комбинируют источники. Такие гибридные методики используют максимум из всего арсенала. В него входят архив ERA5, спутниковые приборы, исследовательские суда и метеостанции на воде и суше. Авторы новой разработки обучают нейросеть согласовывать прогноз сразу с несколькими источниками.
Леонид Старков также назвал пути улучшения BERTUNet. Их можно достичь за счёт расширения набора факторов, влияющих на погоду. Важно учитывать параметры морского льда. К ним относятся сплочённость, толщина, возраст и другие характеристики. Также нужно подключать данные российских полярных спутников «Арктика-М» и «Метеор-М». Ещё одно направление — внедрение подходов, которые объединяют данные разных моделей. В том числе речь идёт о системах океана и льда.
Тему развития машинного обучения в прогнозе погоды продолжил руководитель группы машинного обучения и качества прогнозов в «Яндекс Погоде» Пётр Вытовтов. По его словам, такие модели могут работать быстрее классических подходов. Они также помогают находить сложные зависимости в данных. Предложенное решение ориентировано на арктический регион. Однако подобные инструменты могут быть актуальны и для других сфер. Качественный прогноз мелкомасштабных явлений полезен в разных областях человеческой деятельности. По мнению эксперта, развитие разработки целесообразно вести по двум направлениям. Первое — это анализ и улучшение работы модели для случаев сильного ветра. Второе — добавление возможности корректировки прогнозов осадков как одного из наиболее важных показателей.
ссылка на оригинал статьи https://habr.com/ru/articles/1040312/