Probabilistic Emulation of the Community Radiative Transfer Model Using Machine Learning
Dit artikel presenteert een op machine learning gebaseerde probabilistische emulator voor het Community Radiative Transfer Model die een hoge nauwkeurigheid bereikt in het voorspellen van helderheidstemperaturen en hun fouten, waarmee een computationeel efficiënte oplossing wordt geboden om knelpunten bij de assimilatie van satellietwaarnemingen voor weersvoorspellingen te overwinnen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je de aarde voor als een gigantische, chaotische puzzel waarbij elk stukje een weerpatroon is, en het doel is om te voorspellen hoe de afbeelding morgen zal veranderen. Om deze puzzel op te lossen, gebruiken wetenschappers supercomputers die fungeren als kristallen bollen, maar deze kristallen bollen moeten gevoed worden met een constante dieet van aanwijzingen. Een van de meest waardevolle aanwijzingen komt van satellieten die boven de atmosfeer zweven en foto's maken in infrarood licht. Echter, er is een addertje onder het gras: de computerprogramma's die deze satellietfoto's vertalen naar bruikbare data zijn ongelooflijk traag en kieskeurig. Ze zijn als een zeer grondige maar luie bibliothecaris die weigert boeken uit te lenen tenzij de aanvraag perfect is, waardoor er een berg ongelezen data op de plank blijft liggen. Dit artikel leeft in de wereld van de meteorologie en machine learning, en pakt het probleem aan van hoe je deze "bibliothecaris" sneller kunt maken, zodat we meer van de satellietdata die we hebben kunnen gebruiken. De kernconcepten hier zijn "radiatieve overdracht" (hoe licht door de atmosfeer beweegt), "assimilatie" (het voeden van data aan een computermodel om de voorspellingen te corrigeren) en "machine learning" (een computer leren om patronen te herkennen uit voorbeelden in plaats van strikte regels te volgen).
De auteurs van dit artikel besloten een nieuw soort "bibliothecaris" te bouwen met behulp van kunstmatige intelligentie. In plaats van telkens opnieuw de fysica van het licht te proberen te berekenen — wat de oude, trage methode doet — hebben ze een neuraal netwerk getraind om te fungeren als een "probabilistische emulator" van het Community Radiative Transfer Model (CRTM). Beschouw de CRTM als een meesterkok die een perfect maaltijd kan bereiden, maar daar uren voor nodig heeft. Het nieuwe AI-model is als een sous-chef die de meesterkok duizenden keren heeft geobserveerd; het kan een bijna identieke maaltijd bereiden in een fractie van de tijd. Maar hier is de slimme wending: in tegen afhankelijk van een standaard AI die slechts één temperatuur raadt, is dit model "probabilistisch". Het zegt niet alleen: "De temperatuur is 20 graden." Het zegt: "De temperatuur is waarschijnlijk 20 graden, maar ik ben voor 90% zeker dat het tussen de 19,5 en 20,5 graden ligt, en als het bewolkt is, ben ik iets minder zeker." Dit vermogen om onzekerheid toe te geven, is cruciaal voor weervoorspellers die moeten weten hoeveel ze de data kunnen vertrouwen.
Om dit idee te testen, voedde het team de AI met een enorme hoeveelheid gesimuleerde data gegenereerd door het oude, trage CRTM-model, die 30 dagen aan weerpatronen van de GOES-16 en GOES-17 satellieten beslaat. Ze leerden de AI om de helderheidstemperaturen voor 10 verschillende infraroodkanalen te voorspellen (kanalen 7 tot en met 16) en, even belangrijk, om zijn eigen fout te voorspellen. De resultaten waren indrukwekkend. Gemiddeld waren de temperatuurvoorspellingen van de AI slechts 0,3 Kelvin (ongeveer 0,5 Fahrenheit) af. Bij een onbewolkte hemel was de AI zelfs scherper en week hij voor 9 van de 10 kanalen minder dan 0,1 Kelvin af. Dit niveau van nauwkeurigheid is vergelijkbaar met de beste bestaande AI-pogingen, maar dan met de toegevoegde superkracht om de eigen fouten te kennen.
Het artikel controleerde ook of de AI daadwerkelijk de fysica "leerde" of alleen de antwoorden uit het hoofd leerde zoals een student die voor een toets blokt. Met behulp van een techniek genaamd "Explainable AI" keken ze onder de motorkap om te zien welke inputs het belangrijkst waren. Ze ontdekten dat de AI correct begreep dat waterdamp op verschillende hoogtes in de lucht verschillende kanalen beïnvloedt, en dat de hoek van de zon de grootste factor is voor het kanaal dat gereflecteerd zonlicht ziet. Dit suggereert dat de AI de werkelijke regels van de atmosfeer heeft geïnternaliseerd, en niet alleen de specifieke voorbeelden die hem getoond zijn.
Echter, het artikel is voorzichtig om geen totale overwinning te verklaren. Hoewel de AI ongeveer vijf keer sneller is dan het oude model op een enkele computerprocessor, heeft het wat meer moeite wanneer de lucht bewolkt is, en de AI heeft de neiging om zijn eigen fouten iets te onderschatten wanneer de situatie echt chaotisch wordt. De auteurs suggereren dat de beste aanpak in een echt weercentrum een hybride aanpak zou kunnen zijn: gebruik de snelle AI voor de meeste situaties, maar hanteer een "drempelwaarde" waarbij het systeem, als de AI zegt: "Ik ben niet erg zeker van deze zaak", terugschakelt naar het trage, oude model om een controle uit te voeren. De studie concludeert dat deze probabilistische AI een veelbelovende stap is naar het gebruiken van de enorme hoeveelheden momenteel genegeerde satellietdata om weervoorspellingen scherper en betrouwbaarder te maken, maar dat het nog steeds getest moet worden in de rommelige realiteit van de dagelijkse operaties voordat het de oude methoden volledig kan vervangen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.