Прогноз погоди для кожної вулиці міста: нейромережі поспішають на допомогу метеорологам

Штучний інтелект (ШІ), який враховує локальні дані про міські території, такі як розташування дерев, парків та будівель, може бути використаний для прогнозування температури повітря від одного кінця дороги до іншого. Дослідницька група під керівництвом Метеорологічного Бюро (Met Office) застосувала дані хвиль тепла в Лондоні для розробки інструменту машинного навчання, який міг би прогнозувати температуру повітря на 100-метровій сітці місцевості. Результати виявилися у 225 разів більш деталізованими, ніж давали стандартні прогнози.

На фото ліворуч – стандартна просторова сітка 1,5 х 1,5 км у прогностичній методиці MetOffice; праворуч – покращена просторова сітка 100 х 100 метрів у нейромережевих прогнозах. Фото: The Telegraph.

Спираючись на фактичні дані з метеостанцій, а також місцеві показники погоди, надані метеорологами, та стандартні прогнози Метеорологічного Бюро, дослідники змогли створити більш точну модель машинного навчання для Лондона. Але надалі планується розширення цієї методики також на інші великі міста світу. Експерт з кліматичного моделювання та провідний автор дослідження, Льюїс Бланн пояснив:

«Якщо буде інформація про температуру повітря в такому дрібному масштабі, ми зможемо краще проектувати наші міста з огляду на комфортність. Наприклад, якщо ми знайдемо проблемні місця, ми можемо спробувати створити парки та посадити дерева у певних районах. Крім того, якщо при настанні сильної спеки ми знатимемо, що протягом дня певні місця зазнають впливу екстремальних температур, ми зможемо вжити превентивних заходів, щоб убезпечити людей».

Вчені заявили, що методи машинного навчання для прогнозування міської спеки вже покращили результати прогнозу температури повітря на 11%. Команда, до якої увійшли дослідники з Університету Редінга та Австралійського метеорологічного бюро, сподівається включити більше деталей у майбутнє моделювання, враховуючи й матеріали навколишніх будівель. Оскільки традиційні будівельні матеріали, такі як бетон та асфальт, можуть ефективно утримувати тепло, посилюючи ефект міського острова тепла.

Бланн зазначив, що ті ж методи машинного навчання можна використовувати у всіх міських районах і, можливо, одного разу вони будуть включені до щоденних прогнозів, які надаються споживачам Метеорологічною службою. Флінн Еймс, аспірант Університету Редінга, який брав участь у дослідженні, сказав: 

«Використання машинного навчання в науці про погоду та клімат зростає колосальними темпами, і наша робота ще раз підкреслює його широкомасштабне застосування».

Дослідження, яке підтверджує актуальність концепції, було опубліковано у журналі Meteorological Applications Journal Королівського метеорологічного товариства.