Como os pesquisadores do Google usaram redes neurais para fazer previsões do tempo

7

Menina bonita alegre que guarda o guarda-chuva ao passear fora.

YakobchukOlena

Uma equipe de pesquisa do Google desenvolvido uma rede neural profunda que pode fazer previsões rápidas e detalhadas da precipitação.

Os pesquisadores dizem que seus resultados são uma melhoria dramática em relação às técnicas anteriores de duas maneiras principais. Um é a velocidade. O Google diz que os principais modelos de previsão do tempo hoje levam de uma a três horas para serem executados, tornando-os inúteis se você quiser uma previsão do tempo em uma hora no futuro. Por outro lado, o Google diz que seu sistema pode produzir resultados em menos de 10 minutos – incluindo o tempo para coletar dados de sensores nos Estados Unidos.

Esse tempo de resposta rápido reflete uma das principais vantagens das redes neurais. Embora essas redes demorem muito tempo para serem treinadas, leva muito menos tempo e poder de computação para aplicar uma rede neural a novos dados.

Uma segunda vantagem: maior resolução espacial. O sistema do Google divide os Estados Unidos em quadrados de um quilômetro de cada lado. O Google observa que, em sistemas convencionais, por outro lado, "as demandas computacionais limitam a resolução espacial a cerca de 5 quilômetros".

Coloque tudo isso em conjunto e você poderá ter um sistema de previsão muito mais útil para a tomada de decisões a curto prazo. Se você estiver pensando em dar um passeio de bicicleta, por exemplo, poderá consultar uma previsão de precipitação minuto a minuto para sua rota específica. A previsão do tempo convencional de hoje, por outro lado, pode apenas dizer que há 30% de chance de precipitação em sua cidade nas próximas horas.

Essa animação compara um padrão climático do mundo real (centro) a uma previsão meteorológica convencional (esquerda) e a previsão do Google (direita). A previsão do Google tem significativamente mais detalhes no tempo e no espaço. "Src =" https://cdn.arstechnica.net/wp-content/uploads/2020/01/image2-640x198.gif "width =" 640 "height =" 198

Essa animação compara um padrão climático do mundo real (centro) a uma previsão meteorológica convencional (esquerda) e a previsão do Google (direita). A previsão do Google tem significativamente mais detalhes no tempo e no espaço.

Google

O Google diz que suas previsões são mais precisas que as previsões meteorológicas convencionais, pelo menos para períodos inferiores a seis horas.

"Nesses prazos curtos, a evolução é dominada por dois processos físicos: advecção para o movimento da nuvem e convecção para formação de nuvens, ambas significativamente afetadas pelo terreno e geografia locais ", escreve o Google.

Além disso, no entanto, as coisas começam a desmoronar. Por períodos mais longos, a modelagem convencional baseada em física ainda produz previsões mais precisas, admite o Google.

Como a rede neural do Google funciona

Curiosamente, o modelo do Google é "isento de física": não se baseia em nenhum conhecimento a priori da física atmosférica. O software não tenta simular variáveis ​​atmosféricas como pressão, temperatura ou umidade. Em vez disso, trata os mapas de precipitação como imagens e tenta prever as próximas imagens da série com base nos instantâneos anteriores.

Isso é feito usando redes neurais convolucionais, a mesma tecnologia que permite aos computadores rotular corretamente as imagens. Você pode ler nosso mergulho profundo nas CNNs aqui.

Especificamente, ele usa uma arquitetura de rede neural popular chamada de U-Net que foi desenvolvido para diagnosticar imagens médicas. A rede U possui várias camadas que minimizam as imagens de sua forma inicial de 256 por 256, produzindo uma imagem de resolução mais baixa em que cada "pixel" representa uma região maior da imagem original. O Google não explica os parâmetros exatos, mas um U-Net típico pode converter uma grade de 256 por 256 em uma grade de 128 por 128, depois convertê-lo em uma grade de 64 por 64 e, finalmente, um 32- grade de 32. Enquanto o número de pixels está diminuindo, o número de "canais" – variáveis ​​que capturam dados sobre cada pixel – está aumentando.

A experiência mostrou que esse processo de redução de amostragem ajuda uma rede neural a identificar recursos de alto nível de uma imagem. Os valores dentro de uma rede neural nunca são fáceis de interpretar explicitamente, mas essa grade de 32 por 32 pixels pode capturar implicitamente variáveis ​​importantes como temperatura ou velocidade do vento em cada região da imagem.

A segunda metade da U-Net, em seguida, amplia essa representação compacta – convertendo em representações de 64, 128 e, finalmente, 256 pixels. Em cada etapa, a rede copia os dados da etapa de redução da amostra correspondente. O efeito prático é que a camada final da rede possui a imagem original de alta resolução e dados resumidos que refletem características de alto nível inferidas pela rede neural.

Para produzir uma previsão do tempo, a rede leva uma hora nos mapas de precipitação anteriores como insumos. Cada mapa é um "canal" na imagem de entrada, assim como uma imagem convencional possui canais vermelho, azul e verde. A rede tenta produzir uma série de mapas de precipitação que refletem a precipitação na próxima hora.

Como qualquer rede neural, esta é treinada com exemplos anteriores do mundo real. Milhares de padrões climáticos do mundo real anteriores são inseridos na rede, e o software de treinamento ajusta os muitos parâmetros da rede para aproximar mais de perto os resultados corretos para cada exemplo de treinamento. Depois de repetir esse processo milhões de vezes, a rede fica muito boa em aproximar futuros padrões de precipitação de dados que não havia visto antes.

Fonte: Ars Technica