Hace un par de semanas, Google AI utilizó un modelo de aprendizaje automático para mejorar la detección del cáncer de mama . Ahora, la empresa ha utilizado una red neuronal convolucional para pronosticar precipitaciones.
En el artículo titulado " Aprendizaje automático para la predicción de precipitaciones a partir de imágenes de radar ", los investigadores de Google AI han empleado una CNN para dar una predicción a corto plazo para la precipitación. Y los resultados parecen prometedores y, según Google, superan a los métodos tradicionales:
Este pronóstico de precipitación, que se enfoca en pronósticos de 0-6 horas, puede generar pronósticos que tienen una resolución de 1 km con una latencia total de solo 5-10 minutos, incluyendo demoras en la recopilación de datos, superando a los modelos tradicionales, incluso en estas primeras etapas de desarrollo.
A diferencia de los métodos tradicionales, que incorporan el conocimiento a priori de cómo funciona la atmósfera, los investigadores utilizaron lo que llaman un enfoque `` libre de física '' que interpreta el problema de la predicción del clima como un problema de traducción de imagen a imagen únicamente. Como tal, el CNN entrenado por el equipo, una U-Net , solo se aproxima a la física atmosférica a partir de los ejemplos de entrenamiento que se le proporcionan.
Para el entrenamiento de U-Net, se utilizaron imágenes satelitales multiespectrales. Los datos recopilados en los Estados Unidos continentales del año 2017 al 2019 se utilizaron para la capacitación inicial. Específicamente, los datos se dividieron en fragmentos de cuatro semanas donde la última semana se usó como conjunto de datos de evaluación, mientras que el resto de las semanas se usaron para el conjunto de datos de entrenamiento.
En comparación con los tradicionales y venerables métodos de predicción inmediata, que incluyen pronóstico numérico de alta resolución de actualización rápida (HRRR), un algoritmo de flujo óptico (OF) y el modelo de persistencia, el modelo de Google AI superó a los tres. Usando gráficos de precisión y recuperación, se demostró que la calidad del pronóstico inmediato es mejor en el modelo U-Net.
Como se puede ver, la calidad de nuestro pronóstico de red neuronal supera a los tres de estos modelos (ya que la línea azul está por encima de todos los resultados del otro modelo). Sin embargo, es importante tener en cuenta que el modelo HRRR comienza a superar nuestros resultados actuales cuando el horizonte de predicción alcanza aproximadamente 5 a 6 horas.
Además, el modelo proporciona predicciones instantáneas. Esta es una ventaja adicional porque los métodos tradicionales como HRRR albergan una latencia computacional de 1-3 horas. Esto permite que el modelo de aprendizaje automático trabaje en datos nuevos. Dicho esto, el modelo numérico utilizado en HRRR no ha sido reemplazado por completo.
Por el contrario, el modelo numérico utilizado en HRRR puede hacer mejores predicciones a largo plazo, en parte porque utiliza un modelo físico 3D completo: la formación de nubes es más difícil de observar a partir de imágenes 2D, por lo que es más difícil para los métodos de aprendizaje automático aprender procesos convectivos.
Google prevé que podría ser fructífero combinar los dos métodos, HRRR y el modelo de aprendizaje automático para tener pronósticos precisos y rápidos a corto y largo plazo. Según la firma, también están buscando aplicar ML directamente a las observaciones 3D en el futuro.
Fecha actualización el 2021-01-14. Fecha publicación el 2020-01-14. Categoría: google Autor: Oscar olg Mapa del sitio Fuente: neowin Version movil