Probabilistic Emulation of the Community Radiative Transfer Model Using Machine Learning
Diese Arbeit präsentiert einen auf maschinellem Lernen basierenden probabilistischen Emulator für das Community Radiative Transfer Model, der eine hohe Genauigkeit bei der Vorhersage von Strahlungstemperaturen und deren Fehlern erreicht und somit eine recheneffiziente Lösung bietet, um Engpässe bei der Assimilation von Satellitenbeobachtungen für die Wettervorhersage zu überwinden.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich die Erde als ein riesiges, chaotisches Puzzle vor, bei dem jedes Teil ein Wettermuster ist, und das Ziel darin besteht, vorherzusagen, wie sich das Bild morgen verändern wird. Um dieses Puzzle zu lösen, nutzen Wissenschaftler Supercomputer, die wie Kristallkugeln fungieren, aber diese Kristallkugeln müssen mit einer stetigen Diät aus Hinweisen gefütet werden. Einer der wertvollsten Hinweise kommt von Satelliten, die hoch oben im Orbit kreisen und Bilder der Atmosphäre im Infrarotlicht aufnehmen. Es gibt jedoch einen Haken: Die Computerprogramme, die diese Satellitenbilder in nutzbare Daten übersetzen, sind unglaublich langsam und wählerisch. Sie sind wie ein sehr gründlicher, aber träger Bibliothekar, der sich weigert, Bücher auszuleihen, sofern die Anfrage nicht perfekt ist, wodurch ein Berg ungelesener Daten im Regal zurückbleibt. Diese Arbeit existiert in der Welt der Meteorologie und des maschinellen Lernens und widmet sich der Frage, wie man diesen „Bibliothekar“ beschleunigen kann, damit wir die gesamte verfügbare Satellitendatenmenge nutzen können. Die Schlüsselkonzepte hierbei sind „Radiative Transfer“ (wie Licht durch die Atmosphäre wandert), „Assimilation“ (das Einspeisen von Daten in ein Computermodell, um dessen Vorhersagen zu korrigieren) und „Maschinelles Lernen“ (das Trainieren eines Computers, Muster aus Beispielen zu lernen, anstatt starren Regeln zu folgen).
Die Autoren dieser Arbeit haben sich dazu entschieden, einen neuen Typ von „Bibliothekar“ mithilfe künstlicher Intelligenz zu bauen. Anstatt zu versuchen, die Physik des Lichts jedes Mal von Grund auf neu zu berechnen – was die alte, langsame Methode tut –, haben sie ein neuronales Netzwerk trainiert, das als „probabilistischer Emulator“ des Community Radiative Transfer Model (CRTM) fungiert. Betrachten Sie das CRTM als einen Meisterkoch, der ein perfektes Mahl zubereiten kann, dafür aber Stunden benötigt. Das neue KI-Modell ist wie ein Sous-Chef, der den Meisterkoch tausende Male beobachtet hat; es kann ein nahezu identisches Mahl in einem Bruchteil der Zeit zaubern. Aber hier liegt der clevere Kniff: Im Gegensatz zu einer Standard-KI, die einfach nur eine einzelne Temperatur rät, ist dieses Modell „probabilistisch“. Es sagt nicht einfach: „Die Temperatur beträgt 20 Grad.“ Es sagt: „Die Temperatur liegt wahrscheinlich bei 20 Grad, aber ich bin mir zu 90 % sicher, dass sie zwischen 19,5 und 20,5 Grad liegt, und wenn es bewölkt ist, bin ich mir etwas unsicherer.“ Diese Fähigkeit, Unsicherheit zuzugeben, ist entscheidend für Wettervorhersager, die wissen müssen, wie sehr sie den Daten vertrauen können.
Um diese Idee zu testen, fütterte das Team die KI mit einer massiven Menge an simulierten Daten, die vom alten, langsamen CRTM-Modell generiert wurden und Wetterlagen über 30 Tage für die GOES-16 und GOES-17 Satelliten abdeckten. Sie brachten der KI bei, die Strahlungstemperaturen für 10 verschiedene Infrarotkanäle (Kanäle 7 bis 16) vorherzusagen und, ebenso wichtig, ihren eigenen Fehler vorherzusagen. Die Ergebnisse waren beeindruckend. Im Durchschnitt lagen die Temperaturvorhersagen der KI nur um 0,3 Kelvin (etwa 0,5 Grad Fahrenheit) daneben. Bei klarem Himmel war die KI sogar noch präziser und wich um weniger als 0,1 Kelvin in 9 von ielen 10 Kanälen ab. Dieses Maß an Genauigkeit ist vergleichbar mit den besten bestehenden KI-Versuchen, bietet aber die zusätzliche Superkraft, die eigenen Fehler zu kennen.
Das Papier prüfte auch, ob die KI tatsächlich die Physik „lernte“ oder lediglich die Antworten auswendig lernte, wie ein Schüler, der für eine Prüfung büffelt. Mithunter Einsatz einer Technik namens „Explainable AI“ (erklärbare KI) schauten sie unter die Haube, um zu sehen, welche Eingaben am wichtigsten waren. Sie fanden heraus, dass die KI korrekt verstand, dass Wasserdampf in unterschiedlichen Höhen des Himmels verschiedene Kanäle beeinflusst und dass der Sonnenstand der wichtigste Faktor für den Kanal ist, der das reflektierte Sonnenlicht sieht. Dies deutet darauf hin, dass die KI die tatsächlichen Regeln der Atmosphäre verinnerlicht hat und nicht nur die spezifischen Beispiele, die ihr gezeigt wurden.
Dennoch ist das Papier vorsichtig damit, einen totalen Sieg zu deklarieren. Während die KI auf einem einzelnen Computerprozessor etwa fünfmal schneller ist als das alte Modell, hat sie bei bewölktem Himmel etwas mehr Schwierigkeiten und neigt dazu, ihre eigenen Fehler bei sehr unruhigen Wetterlagen leicht zu unterschätzen. Die Autoren schlagen vor, dass der beste Ansatz in einem realen Wetterzentrum ein hybrider sein könnte: die schnelle KI für die meisten Situationen zu nutzen, aber einen „Schwellenwert“ einzubauen, bei dem das System zum alten, langsamen Modell zurückwechselt, wenn die KI sagt: „Ich bin mir bei diesem Wert nicht sehr sicher“, um eine Doppelprüfung durchzuführen. Die Studie kommt zu dem Schluss, dass diese probabilistische KI ein vielversprechender Schritt ist, um die riesigen Mengen derzeit ignorierter Satellitendaten zu nutzen, um Wettervorhersagen präziser und zuverlässiger zu machen, aber sie muss noch in der chaotischen Realität des täglichen Betriebs getestet werden, bevor sie die alten Methoden vollständig ersetzen kann.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.