يتفوق نموذج Google AI على الطرق التقليدية للتنبؤ بالطقس
ستخدم Google AI نموذجًا للتعلم الآلي لتحسين فحص سرطان الثدي.
الآن استخدمت الشركة شبكة عصبية تلافيفية (CNN)
في معرفة هطول الأمطار الآني.
في الورقة المعنونة "التعلم الآلي من أجل هطول الأمطار الآن من صور الرادار"
استخدم الباحثون في Google AI شبكة CNN لتقديم تنبؤات
قصيرة المدى لهطول الأمطار.
والنتائج تبدو واعدة ووفقًا لشركة Google تتفوق على الطرق التقليدية:
يمكن لهذا البث الآني لهطول الأمطار والذي يركز على التنبؤات من 0 إلى 6 ساعات
أن يولد تنبؤات ذات دقة 1 كم مع زمن انتقال إجمالي من 5 إلى 10 دقائق فقط
بما في ذلك التأخير في جمع البيانات ويتفوق على النماذج التقليدية
حتى في هذه المراحل المبكرة من التطوير.
على عكس الطرق التقليدية التي تتضمن معرفة مسبقة بكيفية عمل
الغلاف الجوي استخدم الباحثون ما يسمونه بنهج "خال من الفيزياء"
الذي يفسر مشكلة التنبؤ بالطقس على أنه مشكلة ترجمة من صورة
إلى صورة فقط.
على هذا النحو فإن CNN trained المدربة من قبل الفريق - U-Net
تقارب فيزياء الغلاف الجوي فقط من أمثلة التدريب المقدمة إليها.
لتدريب U-Net تم استخدام صور الأقمار الصناعية متعددة الأطياف.
تم استخدام البيانات التي تم جمعها عبر الولايات المتحدة القارية
من عام 2017 إلى 2019 للتدريب الأولي.
على وجه التحديد تم تقسيم البيانات إلى أجزاء من أربعة أسابيع
حيث تم استخدام الأسبوع الماضي كمجموعة بيانات للتقييم بينما
تم استخدام بقية الأسابيع لمجموعة بيانات التدريب.
مقارنةً بأساليب البث الآني التقليدية الجليلة والتي تشمل التنبؤ العددي
عالي الدقة للتنبؤ السريع (HRRR)
وخوارزمية التدفق البصري (OF)
ونموذج الثبات فقد تفوق نموذج Google AI على الثلاثة.
باستخدام الدقة واستدعاء الرسوم البيانية تم عرض جودة البث الآني
ليكون أفضل على نموذج U-Net.
كما يتضح ، تتفوق جودة توقعات شبكتنا العصبية على هذه النماذج الثلاثة
(نظرًا لأن الخط الأزرق أعلى من نتائج النموذج الآخر).
ومع ذلك من المهم الإشارة إلى أن نموذج HRRR يبدأ في التفوق
على نتائجنا الحالية عندما يصل أفق التنبؤ إلى حوالي 5 إلى 6 ساعات.
علاوة على ذلك يوفر النموذج تنبؤات فورية.
هذه هي ميزة إضافية لأن الأساليب التقليدية مثل HRRR تحتوي
على كمون حسابي من 1-3 ساعات.
هذا يسمح لنموذج التعلم الآلي بالعمل على بيانات جديدة.
بعد قولي هذا فإن النموذج العددي المستخدم في HRRR
لم يتم استبداله بالكامل.
في المقابل يمكن للنموذج العددي المستخدم في HRRR أن يقدم تنبؤات أفضل
على المدى الطويل ويرجع ذلك جزئيًا إلى أنه يستخدم نموذجًا
ثلاثي الأبعاد كاملًا يصعب مراقبة التكوين السحابي من الصور ثنائية الأبعاد
ولذلك يصعب على أساليب ML تعلم العمليات الحملية.
تتصور Google أنه قد يكون من المفيد الجمع بين الطريقتين
HRRR ونموذج التعلم الآلي للحصول على تنبؤات دقيقة وسريعة
على المدى القصير وكذلك على المدى الطويل.
وفقًا للشركة فإنهم يبحثون أيضًا في تطبيق ML مباشرةً على عمليات
المراقبة ثلاثية الأبعاد في المستقبل.
إذا كنت مهتمًا بمعرفة المزيد يمكنك الرجوع إلى الورقة المنشورة
على arXiv هنا.
ليست هناك تعليقات:
إرسال تعليق