Gépi tanulással javítaná a 2, 6 hetes időjárás-előrejelzéseket egy harvardi kutatás
A 2, 6 hétre szóló időjárás-előrejelzések pontosságát javítaná egy olyan gépi tanulási módszer, amely nem közvetlenül az időjárást, hanem a meglévő modellek hibáit próbálja megjósolni. A kutatást Hannah Guan harvardi hallgató végezte Microsoft Research-beli gyakornoksága alatt.
- A kutatás a 2, 6 hetes, évszakon belüli időjárás-előrejelzésekre összpontosít.
- A gépi tanulási módszer a meglévő modellek hibáit próbálja előre jelezni és javítani.
- A megközelítés időjárási és csapadék-előrejelzésekhez is használható lehet.
- A módszer a Harvard hallgatója, Hannah Guan Microsoft Research-beli gyakornokságához kötődik.
A rövid és hosszú táv közötti előrejelzési rés
A holnapi időjárás előrejelzése a Harvard John A. Paulson School of Engineering and Applied Sciences közleménye szerint általában egyszerűen elérhető egy okostelefonos alkalmazásban, míg az évekre előre készülő modellek a klímakutatás területéhez tartoznak. A kettő közötti, 2, 6 hetes időszakot subseasonal, vagyis évszakon belüli időtávnak nevezik.
Ez az időhorizont fontos lehet a gazdálkodóknak, amikor a vetés vagy a betakarítás időzítését tervezik. A várostervezők számára pedig segítséget adhat annak felmérésében, hogy egy közelgő hidegfront előtt mennyi energiát kell biztosítani az elektromos hálózat számára. Hannah Guan szerint ezen a távon a jelenlegi modellek pontossága elmarad a rövid és a hosszabb távú előrejelzésekétől.
A meglévő modellek hibáit próbálja megtanulni
Guan, a Harvard alkalmazott matematika szakának negyedéves hallgatója, másodéves tanulmányai után töltött egy nyarat gyakornokként a Microsoft Researchnél. Ott olyan gépi tanulási algoritmusok fejlesztésében vett részt, amelyek az évszakon belüli időjárási és csapadékmintázatok előrejelzését javíthatják. A gyakornokság befejezése után is folytatta a munkát, és egy Nature-ben megjelent tanulmány első szerzője lett.
A kutatás az úgynevezett valószínűségi évszakon belüli előrejelzésre összpontosított. Ez nem egyetlen időjárási értéket ad meg, hanem több lehetséges állapotot vagy hőmérsékletet, valamint az egyes forgatókönyvek valószínűségét.
Guan elmondása szerint a kutatók nem közvetlenül akarták előre jelezni az időjárást. Ehelyett azt próbálták modellezni, hogy a már használt időjárási modellek hol tévednek. A módszer először azonosítja a meglévő előrejelzés lehetséges hibáit, majd gépi tanulási algoritmusokkal igyekszik eltávolítani ezeket.
Bármely meglévő időjárási modellhez alkalmazható lehet
A megközelítés előnye a Harvard SEAS szerint, hogy nem igényel egy rendkívül nagy és számításigényes új modellt. Guan szerint a módszer rugalmas is, mivel bármely már létező időjárási modell előrejelzéseinek javítására alkalmazható.
A kutató korábban a Harvard T. H. Chan School of Public Health intézetében genetikai változatokat és tulajdonságokat vizsgált, valamint a Kempner Institute of Natural and Artificial Intelligence munkájában is részt vett. A Microsoft Research gyakornokságát azért kereste, hogy az akadémiai és a vállalati kutatási környezetet is megismerje.
Guan jelenleg mesterséges intelligenciával kapcsolatos feladatmemória-problémákról írja diplomamunkáját, és számítástechnikához, illetve alkalmazott matematikához kötődő doktori programokra jelentkezik. A közlemény alapján az időjárás-előrejelzési kutatás gyakorlati jelentősége abban áll, hogy a gazdálkodás és az energiatervezés számára hasznosabb információt adhat egy olyan időtávon, amelyen a jelenlegi modellek még kevésbé pontosak.
Harvard SEAS: Predicting weather subseasons with machine learning
