面部识别技术可以改善冰雹预测

根据美国国家大气研究中心(NCAR)的一项新研究,通常用于面部识别系统的人工智能技术可以帮助改善对冰雹及其严重程度的预测。

科学家不是专注于个别面部的特征,而是训练了一种称为成交量积神经网络的深度学习模型,以识别影响冰雹形成和冰雹大小的单个风暴的特征,这两者都是众所周知的难以预测。

发表在美国气象学会月度天气评测中的有希望的结果强调了考虑风暴整个结构的重要性,这对现有的冰雹预报技术来说是一项挑战。

“我们知道风暴的结构会影响风暴能否产生冰雹,”NCAR科学家David John Gagne说道,他领导了研究团队。 “例如,超级单体更可能产生冰雹而不是squ线。但是大多数冰雹预测方法只是看风暴的一小部分,无法区分更广泛的形式和结构。”

该研究得到了国家科学基金会的支持,该基金会是NCAR的赞助商。

美国国家科学基金会项目官员尼克安德森说:“冰雹 – 特别大冰雹 – 会对农业和财产产生重大的经济影响。” “以独特的方式使用这些深度学习工具将提供对有利于大冰雹,改进模型预测的条件的额外洞察。这是科学学科的创造性和非常有用的合并。”

风暴的形状

风暴是否产生冰雹取决于无数的气象因素。空气需要靠近陆地表面潮湿,但干燥得更高。云中的冻结水平需要相对较低。强大的上涨气流使冰雹保持足够长的时间以使其变大,这是必不可少的。风暴中不同高度的风向和速度变化似乎也起作用

但即使满足所有这些标准,所产生的冰雹的大小也会有很大差异,具体取决于冰雹穿过风暴的路径以及沿着该路径的条件。这就是风暴结构发挥作用的地方。

“风暴的形状非常重要,”加涅说。 “在过去,我们倾向于关注风暴或垂直剖面中的单点,但水平结构也非常重要。”

由于表示整个风暴的物理特性所需的数学复杂性,当前的计算机模型受限于它们可以看到的内容。机器学习提供了一种可能的解决方案,因为它绕过了对实际解决所有复杂风暴物理的模型的需求。相反,机器学习神经网络能够摄取大量数据,搜索模式,并自己教导哪些风暴特征对于准确预测冰雹至关重要。

对于这项新研究,加涅转向了一种用于分析视觉图像的机器学习模型。他使用模拟风暴的图像以及温度,压力,风速和方向的信息来训练模型,作为输入和由这些条件作为输出产生的冰雹的模拟。使用基于NCAR的天气研究和预报模型(WRF)创建天气模拟。

机器学习模型然后找出风暴的哪些特征与它是否欢呼以及冰雹的大小有关。在对模型进行训练并证明它可以成功预测之后,Gagne看了一下模型神经网络认为最重要的风暴的哪些方面。他使用了一种技术,基本上向后运行模型,以确定风暴特征的组合,这些特征需要聚集在一起才能产生最严重的冰雹概率。

Gagne说,一般情况下,该模型证实了之前与冰雹有关的风暴特征。例如,在风暴顶部附近具有低于平均压力的风暴和在风暴顶部附近的高于平均值的风暴(产生强烈上涨气流的组合)更可能产生严重的冰雹。风暴也是从表面附近的东南方向吹来的风暴也是从顶部向西吹来的风暴。更圆形的风暴也最有可能产生冰雹。

建立在随机森林上,用实际风暴进行测试

这项研究建立在加涅以前使用不同类型的机器学习模型(称为随机森林)的工作的基础上,以改善冰雹预测。随机森林模型不是分析图像,而是提出一系列问题,就像流程图一样,旨在确定冰雹的可能性。这些问题可能包括露点,温度或风是否高于或低于某个阈值。模型中的每个“树”都会询问问题的轻微变体,以得出独立的答案。然后将这些答案在整个“森林”上进行平均,得出的预测比任何单个树都更可靠。

对于2017年发布的该研究,Gagne使用实际风暴观测输入和雷达估算的冰雹大小来输出以训练模型。他发现该模型可以将冰雹预测提高10%。机器学习模型现在已经在最后几个弹簧中运行,以便在进行冰雹预测时让实地预报员获得更多信息。 Gagne正在验证该模型在这几个季节的表现。

新机器学习模型的下一步是开始使用风暴观测和雷达估计的冰雹对其进行测试,目标是将该模型转换为操作使用。加涅正在与俄克拉荷马大学的研究人员合作开展这个项目。

“我认为这种新方法有很多希望帮助预报员更好地预测能够造成严重损害的天气现象,”加涅说。 “我们很高兴继续通过对真实风暴的观察来测试和改进模型。”

故事来源:

物料 由…提供 国家大气研究中心/大学大气研究公司。注意:可以根据样式和长度编辑内容。

资讯来源:由0x资讯编译自SCIENCEDAILY,版权归作者所有,未经许可,不得转载
你可能还喜欢