DeepMind ha utilizzato modelli generativi profondi (DGMS), che essenzialmente apprendono le distribuzioni di probabilità dei dati e consentono una facile generazione di campioni dalle loro distribuzioni apprese

DeepMind, sussidiaria di Alphabet Inc., ha sviluppato uno strumento di deep learning chiamato DGMR (Deep Generative Models of Rain) per prevedere la pioggia fino a due ore prima del tempo. Ha collaborato con il Met Office (il servizio meteorologico nazionale del Regno Unito) e afferma che questo può essere un passo importante nella scienza del nowcasting delle precipitazioni . L’azienda ha reso disponibili su GitHub i dati utilizzati per la formazione con un modello pre-addestrato per il Regno Unito. Il rapporto dello studio è stato pubblicato sulla rivista Nature .  

Il radar è stato raccolto ogni cinque minuti tra il 1° gennaio 2016 e il 31 dicembre 2019.
Dal 2016 al 2018, i campi dal primo giorno di ogni mese sono stati assegnati al set di convalida
Il resto dei giorni dello stesso lasso di tempo è stato assegnato al training set
I dati del 2019 sono stati utilizzati per il set di prova
Che cos’è esattamente il nowcasting?
L’ Organizzazione meteorologica mondiale definisce il nowcasting come un metodo di previsione del tempo a breve termine fino a due ore. Capacità di previsione meteorologica come questa possono avere un impatto enorme nei settori in cui il tempo svolge un ruolo vitale nel processo decisionale.

A causa dei progressi tecnologici nelle capacità di previsione meteorologica, i dati radar ad alta risoluzione sono ora disponibili ad alta frequenza (frequenza ogni cinque minuti a una risoluzione di un km). 

Esistono già metodi avanzati di deep learning nel nowcasting. Ma vengono con la loro serie di sfide. Senza vincoli, può produrre nowcast sfocati con tempi di consegna più lunghi, causando spesso previsioni imprecise su eventi di pioggia da media a forte.

Generazione di campioni dalle loro distribuzioni apprese
DeepMind ha addestrato la propria intelligenza artificiale sui dati radar e ha analizzato gli ultimi 20 minuti di radar osservati, seguiti da previsioni per i prossimi 90 minuti. 

Spesso altri metodi di questo tipo hanno dato scarse prestazioni su eventi di pioggia da media a forte, ma lo strumento di DeepMind ha posto la sua attenzione su eventi di pioggia da media a forte. Questo è importante in quanto di solito sono le forti piogge che hanno un grave impatto sull’economia e sulle persone.

DeepMind utilizza modelli generativi profondi (DGM), che essenzialmente apprendono le distribuzioni di probabilità dei dati e consentono una facile generazione di campioni dalle loro distribuzioni apprese. Hanno la proprietà di simulare molti campioni dalla distribuzione condizionale del radar futuro dato l’apprendimento dal radar passato. Ciò che rende i DGM uno strumento così potente è la loro capacità di apprendere dai dati osservativi e di rappresentare l’incertezza su più scale spaziali e temporali.

 Google, che ha acquisito DeepMind nel 2014, ha recentemente condotto diverse forme di ricerca sulla previsione delle precipitazioni. Nel 2020 ha presentato “ MetNet: A Neural Weather Model for Precipitation Forecasting ”. È una DNN ( rete neurale profonda ) in grado di prevedere le precipitazioni future con una risoluzione di un km su intervalli di 2 minuti a scale temporali fino a 8 ore nel futuro. Qui, gli input alla rete provengono automaticamente da stazioni radar e reti satellitari senza la necessità di annotazioni umane. L’output che otteniamo da questo è una distribuzione di probabilità che possiamo usare per dedurre i tassi di precipitazione più probabili. Questo, ovviamente, è accompagnato da incertezze in ogni regione geografica.

Solo pochi mesi prima di pubblicare questa ricerca, DeepMind ne ha pubblicata un’altra intitolata ” Apprendimento automatico per la trasmissione delle precipitazioni dalle immagini radar “. Questa ricerca ha esaminato anche lo sviluppo di modelli di apprendimento automatico per la previsione delle precipitazioni. Ha fatto “previsioni “senza fisica” altamente localizzate che si applicano all’immediato futuro”, ha affermato Google. Questa ricerca incentrata sulle previsioni 0-6 ore è stata in grado di generare previsioni con una risoluzione di 1 km con una latenza totale di 5-10 minuti. 

Sebbene le sfide rimangano ancora e la ricerca in questo settore sia ancora nella sua fase nascente, l’apprendimento automatico integrato con la scienza ambientale può avere un impatto cruciale sul processo decisionale nel clima sempre dinamico del mondo di oggi. 

Di ihal

Utilizzando il sito, accetti l'utilizzo dei cookie da parte nostra. maggiori informazioni

Questo sito utilizza i cookie per fornire la migliore esperienza di navigazione possibile. Continuando a utilizzare questo sito senza modificare le impostazioni dei cookie o cliccando su "Accetta" permetti il loro utilizzo.

Chiudi