Прогноз погоды для каждой улицы города: нейросети в помощь метеорологам

Искусственный интеллект (ИИ), который учитывает локальные данные о городских территориях, такие как расположение деревьев, парков и зданий, может быть использован для прогнозирования температуры воздуха от одного конца дороги до другого. Исследовательская группа под руководством Метеорологического Бюро (Met Office) применила данные прошедших волн тепла в Лондоне для разработки инструмента машинного обучения, который мог бы прогнозировать температуру воздуха на 100-метровой сетке местности. Результаты оказались в 225 раз более детализированными, чем давали стандартные прогнозы.

На фото слева - стандартная пространственная сетка 1,5 х 1,5 км в прогностической методике MetOffice; справа - улучшенная пространственная сетка 100 х 100 метров в нейросетевых прогнозах. Фото: The Telegraph.

Опираясь на фактические данные с метеостанций, а также местные показатели погоды, предоставленные метеорологами, и стандартные прогнозы Метеорологического Бюро, исследователи смогли создать более точную модель машинного обучения применительно для Лондона. Но в дальнейшем планируется расширение методики также на другие крупные городам мира. Эксперт по моделированию городов и ведущий автор исследования, Льюис Бланн пояснил:

«Если будет информация о температуре воздуха в таком мелком масштабе, мы сможем лучше проектировать наши города с точки зрения комфортности. Например, если мы найдем проблемные места, мы можем попытаться создать парки и посадить деревья в определенных районах. Кроме того, если при наступлении сильного зноя мы будем знать, что в течение дня определенные места подвергнутся воздействию экстремальной жары, мы можем принять превентивные меры, чтобы обезопасить людей».

Учёные заявили, что методы машинного обучения для прогнозирования городской жары улучшили результаты прогноза температуры воздуха на 11%. Команда, в которую вошли исследователи из Университета Рединга и Австралийского метеорологического бюро, надеется включить больше деталей в будущее моделирование, учитывая и материалы, из которых построены окружающие здания. Традиционные строительные материалы, такие как бетон и асфальт, могут эффективно удерживать тепло, усиливая эффект городского острова тепла.

Бланн отметил, что те же методы машинного обучения можно использовать во всех городских районах и, возможно, однажды они будут включены в ежедневные прогнозы, предоставляемые населению Метеорологической службой. Флинн Эймс, аспирант Университета Рединга, принимавший участие в исследовании, сказал: 

«Использование машинного обучения в науке о погоде и климате растет колоссальными темпами, и наша работа еще раз подчеркивает его широкомасштабную применимость».

Исследование, подтверждающее правильность концепции, было опубликовано в журнале Meteorological Applications Journal Королевского метеорологического общества.