La nostra vita dipende dal tempo. In qualsiasi momento nel Regno Unito, secondo uno studioun terzo della popolazione ha parlato del tempo nelle ultime ore, riflettendo l’importanza del tempo nella vita quotidiana. Tra i fenomeni meteorologici, la pioggia è particolarmente importante per la sua influenza sulle nostre decisioni quotidiane. Dovrei prendere un ombrello? Come dovremmo instradare i veicoli in caso di forti piogge? Quali misure di sicurezza adottiamo per gli eventi all’aperto? Ci sarà un’alluvione?
La nostra ultima ricerca e il modello all’avanguardia fa avanzare la scienza di Nowcasting sulle precipitazioniovvero la previsione della pioggia (e di altri fenomeni di precipitazione) entro le prossime 1-2 ore. In un carta scritto in collaborazione con il Met Office e pubblicato su Nature, affrontiamo direttamente questo importante grande sfida nelle previsioni del tempo. Questa collaborazione tra scienza ambientale e intelligenza artificiale si concentra sul valore per i decisori, aprendo nuove strade per la previsione della pioggia e sottolinea le opportunità per l’intelligenza artificiale nel supportare la nostra risposta alle sfide del processo decisionale in un ambiente in costante cambiamento.
Previsioni meteorologiche a breve termine
Nel corso della storia, la previsione del tempo ha ricoperto un ruolo importante per le nostre comunità e i nostri paesi. Meteorologi medievali iniziò utilizzando le stelle per fare previsioni. Lentamente, iniziarono a essere mantenute tabelle che registravano le stagioni e l’andamento delle piogge. Secoli dopo, Lewis Fry immaginò un ‘Fabbrica delle previsioni‘ che utilizzava il calcolo e le equazioni fisiche dell’atmosfera per prevedere il clima globale. In questo libro in evoluzione sulle previsioni del tempo, aggiungiamo ora una storia sul ruolo dell’apprendimento automatico per le previsioni.
Le previsioni meteorologiche di oggi sono guidate da potenti previsione meteorologica numerica (NWP). Risolvendo equazioni fisiche, i NWP forniscono previsioni essenziali su scala planetaria con diversi giorni di anticipo. Tuttavia, hanno difficoltà a generare previsioni ad alta risoluzione per tempi di consegna brevi, inferiori alle due ore. Il nowcasting colma il divario prestazionale in questo intervallo di tempo cruciale.
Il nowcasting è essenziale per settori come la gestione delle risorse idriche, l’agricoltura, l’aviazione, la pianificazione delle emergenze e altri eventi all’aperto. I progressi nel rilevamento meteorologico hanno reso disponibili dati radar ad alta risoluzione, che misurano la quantità di precipitazioni a livello del suolo, ad alta frequenza (ad esempio, ogni 5 minuti con una risoluzione di 1 km). Questa combinazione tra un’area cruciale in cui i metodi esistenti faticano e la disponibilità di dati di alta qualità offre l’opportunità al machine learning di dare il proprio contributo al nowcasting.
Modelli generativi per il nowcasting
Ci concentriamo sulla previsione della pioggia: previsioni fino a 2 ore in anticipo che catturano la quantità, i tempi e la posizione delle precipitazioni. Utilizziamo un approccio noto come modellazione generativa per fare previsioni dettagliate e plausibili dei radar futuri basati sui radar del passato. Concettualmente, questo è un problema di generazione di filmati radar. Con tali metodi, possiamo sia catturare con precisione eventi su larga scala, sia generare molti scenari di pioggia alternativi (noti come previsioni d’insieme), consentendo di esplorare l’incertezza delle precipitazioni. Nei risultati del nostro studio abbiamo utilizzato dati radar provenienti sia dal Regno Unito che dagli Stati Uniti.
Eravamo particolarmente interessati alla capacità di questi modelli di fare previsioni su eventi di pioggia medio-forte, che sono gli eventi che hanno il maggior impatto sulle persone e sull’economia, e mostriamo miglioramenti statisticamente significativi in questi regimi rispetto ai metodi concorrenti. È importante sottolineare che abbiamo condotto una valutazione del compito cognitivo con più di 50 meteorologi esperti presso il Met Office, il servizio meteorologico nazionale del Regno Unito. che hanno valutato il nostro nuovo approccio come la loro prima scelta nell’89% dei casi rispetto ai metodi di nowcasting ampiamente utilizzatidimostrando la capacità del nostro approccio di fornire informazioni ai decisori del mondo reale.
Qual è il prossimo
Utilizzando analisi statistiche, economiche e cognitive siamo stati in grado di dimostrare un approccio nuovo e competitivo per la previsione delle precipitazioni dal radar. Nessun metodo è esente da limitazioni ed è necessario ulteriore lavoro per migliorare l’accuratezza delle previsioni a lungo termine e l’accuratezza su eventi rari e intensi. Il lavoro futuro ci richiederà di sviluppare ulteriori metodi per valutare le prestazioni e di specializzare ulteriormente questi metodi per specifiche applicazioni del mondo reale.
Riteniamo che questa sia un’interessante area di ricerca e speriamo che il nostro articolo serva da base per un nuovo lavoro fornendo dati e metodi di verifica che consentano sia di fornire verifica competitiva che utilità operativa. Ci auguriamo inoltre che questa collaborazione con il Met Office promuova una maggiore integrazione tra apprendimento automatico e scienze ambientali e supporti meglio il processo decisionale nel nostro clima in cambiamento.
Leggi il documento Nowcasting abile delle precipitazioni utilizzando i modelli generativi profondi del radar nel numero del 30 settembre 2021 di Nature, che contiene un’ampia discussione sul modello, sui dati e sull’approccio di verifica. Puoi anche esplorare i dati che abbiamo utilizzato per la formazione e trovare un modello pre-addestrato per il Regno Unito tramite GitHub.
