07:58 2024-04-30
science - citeste alte articole pe aceeasi tema
Comentarii Adauga Comentariu _ Un set de date AI creează noi căi către detectarea tornadelor_ O IA setul de date creează noi căi către detectarea tornadelorRevenirea primăverii în emisfera nordică a început sezonul tornadelor. Pâlnia răsucită de praf și resturi a unei tornade pare o priveliște inconfundabilă. Dar această priveliște poate fi ascunsă radarului, instrumentul meteorologilor. Este greu de știut exact când s-a format o tornadă sau chiar de ce. Un nou set de date ar putea conține răspunsuri. Conține returnări radar de la mii de tornade care au lovit Statele Unite în ultimii 10 ani. Furtunile care au generat tornade sunt flancate de alte furtuni severe, unele cu condiții aproape identice, care nu au făcut niciodată. Cercetătorii de la MIT Lincoln Laboratory care au curatat setul de date, numit TorNet, l-au lansat acum open-source. Ei speră să permită descoperiri în detectarea unuia dintre cele mai misterioase și violente fenomene ale naturii. „Multe progrese sunt determinate de seturi de date de referință, ușor accesibile. Sperăm că TorNet va pune bazele algoritmilor de învățare automată pentru ambele. detectează și prezice tornade”, spune Mark Veillette, co-investigatorul principal al proiectului împreună cu James Kurdzo. Ambii cercetători lucrează în Air Traffic Control Systems Group. Împreună cu setul de date, echipa lansează modele instruite pe acesta. Modelele arată promițătoare pentru capacitatea învățării automate de a identifica un sucitor. Pe baza acestei lucrări ar putea deschide noi frontiere pentru prognoză, ajutându-i să ofere avertismente mai precise care ar putea salva vieți. Aproximativ 1.200 de tornade apar în Statele Unite în fiecare an, provocând daune economice de milioane până la miliarde de dolari și în medie 71 de vieți. Anul trecut, o tornadă neobișnuit de lungă a ucis 17 persoane și a rănit alți cel puțin 165 de-a lungul unei căi de 59 de mile în Mississippi. Totuși, tornadele sunt notoriu de greu de prognozat, deoarece oamenii de știință nu au o imagine clară. de ce se formează. „Putem vedea două furtuni care arată identice, iar una va produce o tornadă, iar alta nu. Nu o înțelegem pe deplin”, spune Kurdzo. Ingredientele de bază ale unei tornade sunt furtuni cu instabilitate cauzată. prin creșterea rapidă a aerului cald și forfecarea vântului care provoacă rotația. Radarul meteo este instrumentul principal folosit pentru a monitoriza aceste condiții. Dar tornadele sunt prea jos pentru a fi detectate, chiar și atunci când sunt moderat aproape de radar. Pe măsură ce fasciculul radar cu un anumit unghi de înclinare se deplasează mai departe de antenă, acesta devine mai sus deasupra solului, văzând în mare parte reflexii de la ploaie și grindină transportate în „mezociclonul”, curentul ascendent rotativ al furtunii. Un mezociclon nu produce întotdeauna o tornadă. Cu această viziune limitată, prognozatorii trebuie să decidă dacă emit sau nu o avertizare de tornadă. Ei greșesc adesea din partea precauției. Drept urmare, rata alarmelor false pentru avertismentele de tornadă este de peste 70%. „Acest lucru poate duce la sindromul băiat-care-a plâns-lup”, spune Kurdzo. În ultimii ani, cercetătorii au apelat la învățarea automată pentru a detecta și prezice mai bine tornadele. Cu toate acestea, seturile de date brute și modelele nu au fost întotdeauna accesibile comunității mai largi, înăbușind progresul. TorNet umple acest gol. Setul de date conține peste 200.000 de imagini radar, dintre care 13.587 descriu tornade. Restul imaginilor sunt non-tornadice, luate din furtuni în una din cele două categorii: furtuni puternice selectate aleatoriu sau furtuni cu alarmă falsă (cele care au determinat un prognozator să emită un avertisment, dar care nu au produs o tornadă). Fiecare eșantion de furtună sau tornadă cuprinde două seturi de șase imagini radar. Cele două seturi corespund unor unghiuri diferite de baleiaj radar. Cele șase imagini prezintă diferite produse de date radar, cum ar fi reflectivitatea (care arată intensitatea precipitațiilor) sau viteza radială (indicând dacă vânturile se mișcă spre sau se îndepărtează de radar). O provocare în gestionarea setului de date a fost mai întâi găsirea tornadelor. În corpus de date radar meteo, tornadele sunt evenimente extrem de rare. Echipa a trebuit apoi să echilibreze acele mostre de tornadă cu mostre dificile care nu sunt tornade. Dacă setul de date ar fi prea ușor, să zicem comparând tornadele cu furtunile de zăpadă, un algoritm antrenat pe date ar supraclasifica probabil furtunile ca tornadice. „Ceea ce este frumos la un set de date de referință adevărat este că suntem cu toții lucrând cu aceleași date, cu același nivel de dificultate și pot compara rezultatele”, spune Veillette. „De asemenea, face meteorologia mai accesibilă pentru oamenii de știință de date și invers. Devine mai ușor pentru aceste două părți să lucreze la o problemă comună.” Ambele cercetători reprezintă progresul care poate veni din colaborarea încrucișată. Veillette este un matematician și dezvoltator de algoritmi care a fost mult timp fascinat de tornade. Kurdzo este meteorolog de pregătire și expert în procesarea semnalului. În școala de licență, a urmărit tornade cu radare mobile personalizate, colectând date pentru a le analiza în moduri noi. „Acest set de date înseamnă, de asemenea, că un student de licență nu trebuie să petreacă un an sau doi construind un Setul de date pot sări direct în cercetarea lor”, spune Kurdzo. Folosind setul de date, cercetătorii au dezvoltat modele de bază de inteligență artificială (AI). Au fost deosebit de dornici să aplice învățarea profundă, o formă de învățare automată care excelează la procesarea datelor vizuale. Pe cont propriu, deep learning poate extrage caracteristici (observații cheie pe care un algoritm le folosește pentru a lua o decizie) din imagini dintr-un set de date. Alte abordări de învățare automată necesită ca oamenii să eticheteze mai întâi manual caracteristicile. „Am vrut să vedem dacă învățarea profundă ar putea redescoperi ceea ce oamenii caută în mod normal în tornade și chiar să identifice lucruri noi care de obicei nu sunt căutate de prognoză. ”, spune Veillette. Rezultatele sunt promițătoare. Modelul lor de învățare profundă a funcționat similar sau mai bun decât toți algoritmii de detectare a tornadelor cunoscuți în literatură. Algoritmul antrenat a clasificat corect 50% dintre tornadele EF-1 mai slabe și peste 85% dintre tornadele evaluate EF-2 sau mai mult, care constituie cele mai devastatoare și costisitoare apariții ale acestor furtuni. Ei au evaluat, de asemenea, două alte tipuri de modele de învățare automată și un model tradițional cu care să comparați. Codul sursă și parametrii tuturor acestor modele sunt disponibile gratuit. Modelele și setul de date sunt, de asemenea, descrise într-o lucrare transmisă unui jurnal al Societății Americane de Meteorologie (AMS). Veillette a prezentat această lucrare la reuniunea anuală AMS din ianuarie. „Cel mai mare motiv pentru a ne prezenta modelele este ca comunitatea să le îmbunătățească și să facă alte lucruri grozave”, spune Kurdzo. „Cea mai bună soluție ar putea fi un model de învățare profundă sau cineva ar putea descoperi că un model de învățare non-profundă este de fapt mai bun.” TorNet ar putea fi util în comunitatea meteo și pentru alte utilizări, cum ar fi pentru realizarea de studii de caz la scară largă asupra furtunilor. Ar putea fi, de asemenea, îmbunătățit cu alte surse de date, cum ar fi imagini din satelit sau hărți cu fulgere. Fuzionarea mai multor tipuri de date ar putea îmbunătăți acuratețea modelelor de învățare automată. Pe lângă detectarea tornadelor, Kurdzo speră că modelele ar putea ajuta la dezvăluirea științei de ce se formează. „Așa cum se formează. Oamenii de știință, vedem toți acești precursori ai tornadelor - o creștere a rotației la nivel scăzut, un ecou de cârlig în datele de reflectivitate, arcuri de fază diferențială specifică (KDP) și de reflectivitate diferențială (ZDR) Dar cum merg toate împreună? există manifestări fizice despre care nu știm?” el intreaba. Tachinarea acestor răspunsuri ar putea fi posibilă cu AI explicabilă. IA explicabilă se referă la metode care permit unui model să-și furnizeze raționamentul, într-un format pe care oamenii îl înțeleg, despre motivul pentru care a luat o anumită decizie. În acest caz, aceste explicații ar putea dezvălui procese fizice care au loc înainte de tornade. Aceste cunoștințe ar putea ajuta la instruirea prognozatorilor și a modelelor pentru a recunoaște semnele mai devreme. „Niciuna dintre aceste tehnologii nu este vreodată menită să înlocuiască un prognozator. Dar poate că într-o zi ar putea ghida ochii prognozatorilor în situații complexe și dă un avertisment vizual unei zone despre care se preconizează că va avea activitate tornadică”, spune Kurdzo. O astfel de asistență ar putea fi deosebit de utilă pe măsură ce tehnologia radar se îmbunătățește și viitoarele rețele pot deveni mai dense. Se așteaptă ca ratele de reîmprospătare a datelor dintr-o rețea radar de ultimă generație să crească de la fiecare cinci minute la aproximativ un minut, poate mai rapid decât pot interpreta noile informații de prognoză. Deoarece învățarea profundă poate procesa rapid cantități uriașe de date, ar putea fi potrivită pentru monitorizarea întoarcerii radarului în timp real, alături de oameni. Tornadele se pot forma și pot dispărea în câteva minute. Dar calea către un algoritm operațional este un drum lung, mai ales în situații critice pentru siguranță, spune Veillette. „Cred că comunitatea de prognoză este încă, de înțeles, sceptică în ceea ce privește învățarea automată. O modalitate de a stabili încredere și transparență este de a avea seturi de date de referință publice ca acesta. Este un prim pas.” Urmtorii pași, echipa speră că va fi luat de cercetători din întreaga lume, care sunt inspirați de setul de date și energizat să-și construiască proprii algoritmi. Acei algoritmi vor intra, la rândul lor, în bancuri de testare, unde vor fi în cele din urmă arătați prognozatorilor, pentru a începe un proces de tranziție la operațiuni. În final, calea s-ar putea întoarce spre încredere. p> „Este posibil să nu primim niciodată o avertizare de tornadă de 10 până la 15 minute folosind aceste instrumente. Dar dacă am putea reduce rata de alarmă falsă, am putea începe să facem progrese cu percepția publicului”, spune Kurdzo. „Oamenii vor folosi acele avertismente pentru a lua măsurile de care au nevoie pentru a-și salva viața.” Această poveste este republicată prin amabilitatea MIT News (web.mit.edu/newsoffice/), un site popular care acoperă știri despre cercetarea, inovarea și predarea MIT.
Linkul direct catre PetitieCitiți și cele mai căutate articole de pe Fluierul:
|
|
|
Comentarii:
Adauga Comentariu