Microsoft-Team Gewinnt Datenwettbewerb Durch Deutliche Verbesserung Der Genauigkeit Von Wettervorhersagen
Von Super Neuro
Szenariobeschreibung:Das Microsoft-Forschungsteam nutzte maschinelles Lernen, um die Genauigkeit von Temperatur- und Niederschlagsvorhersagen in saisonalen Klimaprognosen deutlich zu verbessern. Bietet Komfort für Orte, die auf Wettervorhersagen angewiesen sind.
Schlüsselwörter:Maschinelles Lernen, Wettervorhersage, KI für die Erde
Sie müssen von der Wettervorhersage getäuscht worden sein. Doch egal, wie unzuverlässig die Wettervorhersage ist, die Menschen haben trotzdem Freude daran, denn das Wetter ist eng mit uns verbunden. Beispielsweise ist es in der Agrarplanung notwendig, möglichst genaue Vorhersagen zu treffen, um optimal auf kommende Klimabedingungen vorbereitet zu sein.
Lester Mackey, ein Forscher für maschinelles Lernen bei Microsoft Research Cambridge, merkte an, dass die vorherrschende Prognose derzeit darin bestehe, dass es in den nächsten zwei bis sechs Wochen „nur eine Frage des Glücks“ sei. Um dieser Situation zu begegnen, wandte er sein Fachwissen im Bereich KI auf die Wettervorhersage an, um die Chancen auf genaue Vorhersagen zu erhöhen.
Mithilfe von Techniken des maschinellen Lernens entwickelten Mackey und sein Team eine hochmoderne Technologie.Bei einem vom U.S. Bureau of Reclamation veranstalteten Wettbewerb zur untersaisonalen Wettervorhersage war das Modell ihres Teams weitaus genauer als das vorherige Standardmodell.Der Zweck dieses Wettbewerbs besteht darin, Probleme des Wasserressourcenmanagements zu lösen, einschließlich der Reaktion auf Änderungen der hydrologischen Bedingungen und der Verhinderung von Dürren oder Überschwemmungen im Voraus.
Das Forschungsprojekt von Mackeys Team erhielt außerdem Unterstützung vom AI for Earth-Programm von Microsoft, um die Forscher zu ermutigen, mithilfe der Technologie einen größeren Beitrag zur Gesellschaft zu leisten.
Wenn maschinelles Lernen und Wettervorhersage aufeinanderprallen
Mackey wusste wenig über Wetter- und Klimavorhersagen, bis er seinen zukünftigen Mitarbeiter, den Klimatologen Judah Cohen von Atmospheric and Environmental Research, traf.
Cohen war zuvor in der Klimarisikoberatung tätig und interessierte sich leidenschaftlich für die Erforschung der Wettervorhersage. Da die Mängel herkömmlicher Methoden seinen Fortschritt jedoch bremsten, versuchte er, durch maschinelles Lernen Verbesserungen zu erzielen.
Cohen nahm Kontakt zu Mackey auf, weil er erfahren hatte, dass Mackey sich mit maschineller Lerntechnologie auskannte, mit der er aus historischen Wetter- und Klimadaten wirksame Informationen gewinnen und so seine Prognosemethoden verbessern konnte.
Durch Cohen ermutigt, erkannte Mackey allmählich die Anwendbarkeit und Vorteile des maschinellen Lernens in diesem Bereich. Anschließend begannen sie eine intensive Zusammenarbeit und bündelten ihre Fachgebiete.
Eine Zeit lang war es üblich, das Wetter anhand historischer Daten zu analysieren und vorherzusagen, doch in den 1980er Jahren geriet diese Methode außer Gebrauch. Seitdem dominieren physikalische Modellsimulationen der Entwicklung der Atmosphäre und der Ozeane die Branche. Da die Rechenleistung exponentiell zugenommen hat, sind diese Modelle immer ausgefeilter und beliebter geworden.
„Heute verwenden große Klimazentren große Supercomputer, um die Bewegung der Atmosphäre und des Ozeans zu simulieren“, sagte Mackey. Mit der Weiterentwicklung der Technologie haben sich auch die Vorhersagen verbessert, historische Daten haben jedoch weniger Beachtung gefunden. Der gängige Ansatz besteht heute darin, die aktuellen Wetterbedingungen zu berücksichtigen und ihre Differentialgleichungen zu extrapolieren, um Vorhersagen zu treffen.
Aber Mackey und Cohen hatten andere Pläne. Sie hoffen, die große Menge an historischen Dateninformationen in untersaisonale Prognosen einfließen zu lassen.
Lucas Joppa, Microsofts Umweltbeauftragter für AI for Earth, sagte:„Mackey arbeitet an einem schwierigen Problem, und der Vorteil besteht darin, dass die Technologie, die er erforscht, zufällig einen großen Nutzen für die Wettervorhersage hat und in breiteren sozialen und wirtschaftlichen Bereichen eine große Anwendbarkeit aufweist.“
Der Wettbewerb wurde genutzt, um die Lage zu sondieren, aber die Ergebnisse waren …
Im Zuge der Forschungszusammenarbeit zwischen Mackey und Cohen wurde Cohen auf einen vom U.S. Bureau of Reclamation geförderten Wettbewerb aufmerksam gemacht, bei dem es darum ging, die Genauigkeit von Wettervorhersagen, beispielsweise zu Temperatur und Niederschlag, im Westen der USA zu verbessern.
Mackey sagte, dass aktuelle Modelle sowohl für den Kurz- als auch den Langzeitbereich über relativ ausgereifte Methoden verfügen: Bei Wettermodellen innerhalb von sieben Tagen sei die Leistung bereits recht gut; Und auch für sehr langfristige Prognosen, etwa von einem bis über zehn Jahren, sind Klimavorhersagemodelle gut entwickelt.
Subsaisonale Vorhersagen hingegen sind ein Zwischenstadium und basieren auf einer Kombination von Variablen, die das kurzfristige Wetter beeinflussen, wie etwa Tagestemperatur und Wind, sowie saisonalen Faktoren wie El Niño und arktischem Meereis.Aus diesem Grund ist eine Vorhersage schwierig.
Während des 13-monatigen Wettbewerbs müssen sie ständig Wettervorhersagen für die nächsten 3–4 bzw. 5–6 Wochen erstellen. Der Wettbewerb umfasste Niederschlags- und Temperaturvorhersagen.
Um bessere Vorhersagen zu treffen, verwendeten sie zwei verschiedene Methoden des maschinellen Lernens. Eine davon besteht darin, eine Vielzahl von Daten anzuwenden, darunter Temperatur- und Niederschlagsaufzeichnungen in historischen Daten sowie eine Sammlung physikalischer Prognosemodelle wie Meereiskonzentration und El Niño-Phänomen (entsprechend MultiLLR). Die andere besteht darin, nur einzelne historische Daten des zu verarbeitenden Projekts zu verwenden (entsprechend AutoKNN).
„Wir erstellen alle zwei Wochen eine Prognose und dazwischen geht es hauptsächlich darum, neue Daten zu erfassen, die Daten zu verarbeiten, die Infrastruktur zum Testen neuer Methoden aufzubauen und dann neue Methoden zu entwickeln und zu evaluieren“, erklärt Mackey. „Dann halten wir an, erstellen eine Prognose und wiederholen das für die nächsten zwei Wochen.“
Gegen Ende des Spiels versuchte Mackeys Team eine Kombination der beiden Ansätze und erzielte die besten Vorhersagen. Die Ergebnisse des Wettbewerbs wurden ebenfalls am 7. März US-Zeit bekannt gegeben.
Das Team von Mackey und Cohen erzielte beeindruckende Ergebnisse und belegte den ersten Platz bei der Vorhersage von Temperaturen für drei bis vier Wochen im Voraus und den zweiten Platz bei der Vorhersage der Gesamtniederschlagsmenge für fünf bis sechs Wochen im Voraus.
Das Wetter ist vorhergesagt, aber was ist mit ihrer Zukunft?
Die relevanten technischen Details und Forschungsergebnisse wurden vom Team in einem Paper auf arXiv.org veröffentlicht. Um mehr Menschen zu ermutigen, an dieser Herausforderung teilzunehmen, haben sie den erstellten Datensatz auch öffentlich gemacht.
Adresse des Artikels: https://arxiv.org/pdf/1809.07394.pdf
Datensatzadresse: https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/IHBANG
Das „AI for Earth“-Programm von Microsoft stellt Mackey und seinen Kollegen finanzielle Mittel zur Verfügung, um mehr Menschen zu ermutigen, ihre auf maschinellem Lernen basierenden Vorhersagetechniken zu erweitern und zu verbessern.
Darüber hinaus beabsichtigt Microsofts AI for Earth, Mackey und seinem Team weitere Mittel zur Verfügung zu stellen, um das Team zu erweitern und ihre Forschung zu verbessern.
Kenneth Nowak, ein Wasserressourcenforscher beim U.S. Bureau of Reclamation, sagte:„Wir hoffen, dass diese Methode weiter verbessert und in einem breiteren Spektrum von Bereichen angewendet wird.“Er fügte hinzu:Die Regierungsbehörde wird „nach weiteren Möglichkeiten suchen, maschinelles Lernen bei der Wettervorhersage einzusetzen“.
Aus Neugier führten Chohen und Mackey eine bahnbrechende Studie über den potenziellen Wert von KI bei der subsaisonalen Klimavorhersage durch. Auch Chohen ist voller Erwartungen hinsichtlich ihrer nächsten Arbeit.„Ich sehe die Vorteile des maschinellen Lernens. Dies ist nicht das Ende, sondern eher der Anfang, und es wartet noch viel Arbeit auf uns.“
