Microsoft
活動+
 

科學家運用臉部辨識深度學習模型強化災害性暴風雨預測

美國國家大氣研究中心運用臉部辨識技術強化災害性暴風雨預測。法新社

暴風雨可能帶來大型冰雹造成嚴重的農損與財損,美國國家大氣研究中心(NCAR)的研究團隊以創新方式運用臉部辨識(facial recognition)技術與基於卷積神經網路(convolutional neural network;CNN)的深度學習(deep learning)模型,來改善預測災害性暴風雨的準確度。

根據NCAR & UCAR News報導,冰雹形成與雹塊大小的難以預測一向惡名昭彰,NCAR的研究是由其贊助者美國國家科學基金會(NSF)所支持,並由NCAR科學家David John Gagne領軍,研究團隊指出雖然已經證實暴風雨的結構與形狀是影響冰雹形成的重要因素,但目前大多數冰雹預測技術並無法綜觀與考量暴風雨的整體形狀與結構。

暴風雨是否會產生冰雹取決於各種氣象因素,例如地表空氣必須潮濕而更高處則必須乾燥,雲內部的冰凍的程度必須遠比地面低,夠強的上升氣流讓冰雹維持高度以持續增大,暴風雨內部不同高度的風向與風速變化也可能造成影響,不過基本上這些預測方式僅關注暴風雨的一部分或垂直剖面(vertical profile)而忽視水平結構。

因此即使前述可能促成冰雹產生的條件都符合,但所產生的雹塊大小卻有極大差異,研究顯示這跟雹塊在暴風雨內部行經的路徑與狀況有關,可見暴風雨的結構與形狀也是預測冰雹產生與雹塊大小的關鍵因素。但目前用於表現整個暴風雨物理特性的電腦模型,其數學複雜性會讓對暴風雨的觀察受限,欲提升預測準確度勢必另闢蹊徑。

NCAR的研究團隊認為機器學習(machine learning)提供可行的解決方案,不需要一個能實際解決暴風雨所有複雜物理性質的模型,而是運用CNN處理大量資料、搜尋模式、自我學習擷取關鍵的暴風雨特徵,以正確預測冰雹形成與雹塊大小、辨識潛在的災害性暴風雨。NCAR研究團隊已將成果發表於美國氣象學會(AMS)天氣評論月刊(Monthly Weather Review)。

NCAR的研究團隊透過通常用於臉部辨識系統的CNN深度學習模型來處理、分析暴風雨的影像,找出暴風雨具備的某些跟冰雹形成與雹塊大小相關聯的特徵,並評估暴風雨結構與形狀的影響,以改善雹暴與嚴重性的預測準確度。NCAR的研究團隊以模擬的暴風雨影像訓練模型,並以溫度、壓力、風速、風向等資訊為輸入,冰雹模擬結果為輸出。

天氣模擬是由NCAR的天氣研究與預測(Weather Research and Forecasting;WRF)模型所產生。NCAR的機器學習模型經過訓練後便能找出哪些暴風雨的結構與形狀特徵跟預測冰雹產生與雹塊大小相關聯,研究團隊在模型經過驗證後,透過一項技術回溯模型的運作,以找出能最準確預測嚴重冰雹的實際暴風雨特徵組合。

對於可能產生大型冰雹、造成嚴重災害的天氣現象,NCAR的研究團隊以深度學習模型來提供更準確的預測。接下來NCAR的研究團隊將與奧克拉荷馬大學(University of Oklahoma)的研究人員合作,開始以實際暴風雨觀測與雷達評估(radar-estimated)的冰雹大小測試與改良機器學習模型,以轉換至實際的作業應用。

大體而言NCAR的機器學習模型確認從前認為跟冰雹有關聯的暴風雨特徵,例如表面壓力低於平均值且頂部壓力高於平均值因而上升氣流強勁的暴風雨、近表面處吹東南風且頂部吹西風的暴風雨、形狀更接近環狀的暴風雨,都更有可能產生嚴重冰雹。而在暴風雨的結構與形狀方面,超級胞(supercell)比颮線(squall line)產生冰雹的可能性更高。

NCAR的機器學習模型奠基於2017年David John Gagne的研究,當時是採用隨機森林(random forest)機器學習模型,透過均化一系列問題的答案來提升可靠預測冰雹的機率。該模型以實際暴風雨觀測為輸入,雷達評估的冰雹大小為輸出,可改善預測準確度10%,並已轉換至實際作業應用至今,可提供地面預測人員更多有效資訊以預測冰雹,目前正進行表現查核。


  •     按讚加入DIGITIMES智慧應用粉絲團
更多關鍵字報導: 氣候變遷 氣象預測