莱斯大学(Rice University)的工程师们已经开发出一套深度学习计算机系统，该系统能够自动准确预测极端天气事件，比如热浪，并能提前至多5天使用有关当前天气状况的最少信息。
具有讽刺意味的是，Rice的自学习“胶囊神经网络”使用了一种模拟天气预报的方法，而计算机在20世纪50年代就已经过时了。在训练期间，它检查数百对地图。每一幅地图都显示了5公里高度的地表温度和气压，每一对地图都显示了那些相隔几天的情况。这些训练包括产生极端天气的场景——长时间的冷热天气会导致致命的热浪和冬季风暴。一旦经过训练，该系统就能够检查以前从未见过的地图，并以85%的准确率对5天的极端天气进行预报。
进一步发展,系统可以作为一个天气预报预警系统,作为一个工具来学习更多关于导致极端天气的大气状况,说赖斯Pedram Hassanzadeh,关于系统在线发表的一项研究合著者本周在地球物理联盟的《地球系统建模方面的进步。
自从20世纪50年代计算机数值天气预报(NWP)出现以来，日常天气预报的准确性稳步提高。但是，即使有了改进的大气数值模型和更强大的计算机，NWP也不能可靠地预测极端事件，比如2003年法国和2010年俄罗斯的致命热浪。
“我们可能需要更快的超级计算机来解决更高分辨率数值天气预报模型的控制方程，”莱斯大学地球、环境和行星科学系机械工程助理教授哈桑扎德(Hassanzadeh)说。“但是，由于我们不完全了解极端天气模式的物理和前兆条件，这些方程也有可能不是完全准确的，无论我们投入多少计算能力，它们也不会产生更好的预测。”
2017年底，哈桑扎德和研究报告的共同作者、研究生阿什什·查托帕德哈耶(Ashesh Chattopadhyay)和易卜拉欣·纳比扎德(Ebrahim Nabizadeh)决定采取不同的方法。
哈桑扎德说:“当你遇到这些热浪或寒潮时，如果你看一下天气图，你经常会看到急流中一些奇怪的现象，比如大浪或大的高压系统根本不动。”“这似乎是一个模式识别问题。因此，我们决定将极端天气预报重新定义为一个模式识别问题，而不是一个数值问题。”
深度学习是人工智能的一种形式，在这种人工智能中，计算机被“训练”来做出类似于人类的决策，而无需对它们进行明确的编程。卷积神经网络是深度学习的中流砥柱，擅长模式识别，是自动驾驶汽车、面部识别、语音转录等数十项技术进步的关键技术。
“我们决定训练我们的模型，向它展示地球上空5公里处的许多压力模式，并告诉它，对于每一个模式，“这一个不会导致极端天气。这一次在加利福尼亚引起了一场热浪。这一次什么都没造成。哈桑扎德说。“不像休斯顿对阵达拉斯那样具体，更多的是地区感。”
当时，Hassanzadeh、Chattopadhyay和Nabizadeh几乎不知道模拟预报曾经是天气预报的主要手段，甚至在二战的d日登陆中扮演了重要角色。
哈桑扎德说:“在电脑出现之前，有一种预测方法是先观察压力系统的模式，然后查看以前模式的目录，进行比较，试图找到一种类似的模式。”“如果这次地震导致法国三天以后下雨，预报说法国将会下雨。”
他说，使用深度学习的好处之一是，不需要告诉神经网络去寻找什么。
哈桑扎德说:“我们不完全了解这些前体并不重要，因为神经网络学会了自己寻找这些联系。”“它知道哪些模式对极端天气至关重要，并利用这些模式寻找最佳模拟。”
为了演示概念验证，该团队使用了来自真实计算机模拟的模型数据。团队报告初步结果与卷积神经网络将挑战时,这项新研究的主要作者,听说胶囊神经网络,一种新形式的深度学习在2017年底时高调亮相,部分是因为它是杰弗里•辛顿的卷积神经网络的深度学习的国父。
与卷积神经网络不同，胶囊神经网络可以识别相对空间关系，这对天气模式的演变很重要。
哈桑扎德说:“气压模式的相对位置，也就是你在天气图上看到的高低，是决定天气变化的关键因素。”
胶囊神经网络的另一个显著优点是，它不像卷积神经网络那样需要那么多的训练数据。在卫星时代，只有大约40年的高质量天气数据，哈桑扎德的团队正在努力训练其胶囊神经网络的观测数据，并将其预报与最先进的NWP模型进行比较。
他表示:“我们的近期目标是将预测交货时间延长至10天以上，而NWP模型在这方面存在不足。”
虽然还需要做更多的工作才能将Rice的系统应用到实际的天气预报中，但哈桑扎德希望它最终能改善对热浪和其他极端天气的预报。
他说:“我们并不是说在一天结束的时候，它会取代NWP。”“但这对NWP来说可能是一个有用的指南。在计算上，这可能是一种提供一些指导、一个早期预警的超级廉价的方法，它允许你将NWP资源专门用于可能出现极端天气的地方。”
哈桑扎德说，他的团队也有兴趣找出胶囊神经网络用于预测的模式。
他说:“我们希望利用可解释的人工智能(AI)来解释神经网络的工作。”“这可能有助于我们识别导致极端天气模式的先兆，并提高我们对其物理学的理解。”