萊斯大學的研究人員,開發了一個以深度學習技術作為基礎的天氣預測系統,能以80%精確度預測5天後的極端天氣事件。由於新方法計算成本低廉,因此可用來輔助傳統數值天氣預測模型,縮小需要精確計算的範圍。

天氣預測技術已經發展了數十年,絕大多數的進步,都是改進數值天氣預測(Numerical Weather Prediction,NWP)模型,以取得更好的結果,但是即便數值天氣預測模型越來越複雜,投入更多的運算資源與時間,但是在預測極端天氣時仍遇到許多困難。

研究人員提到,當有熱浪或是寒流出現時,觀測天氣圖通常會發現噴射氣流呈現不尋常的狀態,像是大量或是不移動的高壓系統等異常現象,而氣壓分布是決定天氣變化的關鍵因素,研究人員認為,預測極端天氣是一種模式辨識問題,而不使用數值方法來處理。

研究人員同時使用了卷積神經網路(CNN)以及膠囊神經網路(CapsNet),並以1920年到2005年的歷史天氣資料來訓練模型。膠囊神經網路是一種機器學習系統,屬於人工神經網路的類型,可以更好地表示模型階層關係。

用來訓練神經網路的資料有地表溫度,以及對流層中層大規模環流模式(Z500),使用膠囊神經網路可預測寒流與熱浪的發生,以及出現的區域,準確率達到88%,研究人員提到,膠囊神經網路的效能,比卷積神經網路和邏輯回歸方法還要好。

這個研究證明,多變量由資料驅動的框架,有望實現準確且即時的極端天氣預報,研究人員不認為這個方法可以立即取代數值天氣模型,但是可作為早期極端天氣警報,幫助縮小需要利用數值天氣模型,特別精確計算的範圍。

熱門新聞

Advertisement