수평선에 가뭄이 있습니까? 연구원들은 예측을 개선하기 위해 AI를 사용합니다

 

 

겨울이 닥칠 때 일부 사람들은 3 월 말 플로리다로 탈출하기 위해 반바지를 싸야할지 궁금해하는 반면, 다른 사람들은 파종 작물을 기대하면서 4 월 기온 추세에 주목합니다. 미국 서부의 물 관리자는 이른 봄 폭풍이 여름철 관개, 수력 및 연어에 중요한 산 스노우 팩을 덮을 가능성을 점검합니다.

불행히도, 대략 2-6 주 후에이 기간에 대한 예측은 고장난 것이라고 매사추세츠 케임브리지에있는 Microsoft의 뉴 잉글랜드 연구소의 통계 기계 학습 연구원 인 Lester Mackey 는 지적했다 . Mackey는 정확하고 신뢰할 수있는 예측의 가능성을 높이기 위해 인공 지능에 대한 전문 지식을 제공합니다.

그는“계절별 정권은 예측이 가장 많은 도움을 줄 수있는 곳”이라고 말했다.

Mackey는 매사추세츠 주 렉싱턴의 기후 위험에 대해 상담하는 Verisk 비즈니스 인 Atmospheric and Environmental Research 의 기후학 자인 Judah Cohen이 기상 및 기후 예측에 대해 거의 알지 못했지만 기계 학습 기술을 사용하여 반복되는 날씨와 기후를 괴롭히는 데 도움을주기 위해 그에게 연락했습니다. 계절별 및 계절 예측 모델을 개선하기위한 방법으로 과거 데이터 산의 패턴.

Mackey, Cohen 및 동료들이 개발 한 예비 기계 학습 기반 예측 모델은 미국 정부 기관이 사용하는 표준 모델보다 성능이 우수하여 2 ~ 4 주 및 4 ~ 6 주 동안 미국이 후원하는 대회에서 계절별 기온과 강수량을 예측합니다. 교정 국.

Mackey의 팀은 최근 Microsoft의 AI for Earth 이니셔티브 로부터 자금을 확보 하여 사회적 이익을위한 기술을 발전시키기 위해 기술을 개선하고 개선했습니다.

" 지구 예측에 어려운 문제가 아니라 기계 학습에 어려운 문제가 있기 때문에 레스터는이 문제를 해결하고 있습니다"라고 지구의 AI 프로그램을 운영하는 Microsoft의 최고 환경 책임자 인 Lucas Joppa 는 자신의 그룹이 왜 그런지 설명했습니다. 연구 자금을 지원하고 있습니다. "탐구에 관심이있는 기술은 일기 예보에 큰 적용 가능성을 가지고 있으며, 이는 더 넓은 사회 및 경제 영역에서 큰 적용 가능성을 가지고 있습니다."

 

뇌의 AI

Mackey는 현재 날씨 모델이 최대 약 7 일 전에 잘 작동하며 계절이 수십 년에서 수십 년으로 확대됨에 따라 기후 예측 모델이 더욱 안정적이라고 말합니다. 계절별 예측은 중간 기온으로, 일일 기온 및 바람과 같은 단기 날씨에 영향을 미치는 변수와 엘니뇨 (El Niño) 주와 북극의 해빙 범위와 같은 계절적 요인에 의존하는 중간 범위입니다.

코헨은 통계 데이터의 패턴 인식을 예측하는 인공 지능의 무기 인 머신 러닝이 역사적 기상 및 기후 데이터의 팀으로부터 통찰력을 얻어서 계절별 예측을 생성하는 방법을 개선하는 데 도움이 될 수 있다는 믿음으로 맥키와 접촉했다.

Cohen은“기본적으로 내 머릿속에서 기계 학습 패턴 인식과 같은 작업을 수행하고 있습니다. "저는 기계 학습 기술 중 일부를 사용하여 머릿속에서하고있는 일을 개선 할 수있을 것으로 생각했습니다."

과거 날씨 데이터의 패턴을 사용하여 미래를 예측하는 것은 1980 년대까지 날씨 및 기후 예측 생성의 표준 관행이었습니다. 대기와 해양의 진화에 대한 물리적 모델이 산업을 지배하기 시작한시기입니다. 이러한 모델은 컴퓨팅 성능이 기하 급수적으로 증가함에 따라 인기와 정교성이 향상되었습니다.

Mackey는“오늘날 모든 주요 기후 센터는 대기와 해양을 시뮬레이션하기 위해 거대한 슈퍼 컴퓨터를 사용합니다. “예측은 시간이 지남에 따라 크게 개선되었지만 과거 데이터를 거의 사용하지 않습니다. 대신에 그들은 오늘날의 기상 조건을 섭취 한 다음 미분 방정식을 진행시킵니다.”

 

경쟁 예측

Mackey와 Cohen이 연구 협력을 논의하면서 Cohen은 미국 서부 지역 의 계절별 기온 및 강수 에 대한 예측 을 개선 하기 위해 미국 교정 국의 후원을받는 경쟁에 대한 통지를 받았습니다. 가뭄과 습한 기후 극단을 포함한 수 문학적 체제의 변화.

Cohen은 이렇게 회상했다.“저는 우리에게 동기를 부여하고 진전을 이룰 수있는 방법으로이 경쟁에 참여하는 것에 대해 어떻게 생각하십니까?

캘리포니아의 스탠포드 대학교 (Stanford University) 에서 통계 연구 조교수 였던 맥키 (Mackey)는 마이크로 소프트의 연구 기관에 합류하기 전까지이 대학 의 겸임 교수로 재직했습니다. "우리 중 어느 누구도이 분야에서 일한 경험이 없었기 때문에 이것이 발을 젖게하는 좋은 방법이라고 생각했습니다."

13 개월의 경쟁 과정에서 연구원들은 두 가지 유형의 머신 러닝 접근법을 실험했습니다. 하나는 과거 기온과 강수량 기록에서 해빙 농도와 엘니뇨 (El Niño) 상태에 대한 데이터뿐만 아니라 물리적 예측 모델의 앙상블에 이르기까지 모든 것을 포함하는 부엌 데이터 싱크대를 결합했습니다. 다른 접근법은 온도를 예측할 때 온도 또는 강수량을 예측할 때 강수량에 대한 과거 데이터에만 초점을 맞췄습니다.

Mackey는“우리는 2 주마다 예측을했으며 새로운 데이터를 수집하고 처리하며 새로운 분석법을 테스트하고 분석법을 개발하고 평가하기위한 인프라를 구축했습니다. "그리고 2 주마다 우리는 우리가하고있는 일을 멈추고 예측하고 반복해야했습니다."

경쟁이 끝날 무렵, Mackey 팀은 두 머신 러닝 접근법의 앙상블이 혼자서보다 더 나은 성능을 보임을 발견했습니다.

경쟁의 최종 결과  는 오늘 발표되었다 . Mackey, Cohen 및 동료들은 3-4 주 전에 평균 기온 예측에서 1 위, 5-6 주 동안 총 강수량 예측에서 2 위를 차지했습니다.

 

미래에 대한 예측

경쟁 후 협력자들은 머신 러닝 접근법의 앙상블을 미국 정부 기관에서 사용하는 표준 모델과 결합하여 하위 계절별 예측을 생성했으며 결합 된 모델이 온도와 128에서 작동 예측의 정확도를 37 ~ 53 % 향상 시켰습니다. 강수량은 154 %입니다. 이 결과는 팀이 arXiv.org에 게시 한 논문에 보고 됩니다.

예측 로데오를 조직 한 미국 개간 국의 수자원 연구 코디네이터 인 케네스 노박 (Kenneth Nowak)은“이러한 유형의 접근 방식이 더욱 세분화되고 예측 분야 내에서 그 사용 범위가 계속 확대 될 것으로 본다”고 말했다. . 그는 정부 기관이 미래 세대의 운영 예측 모델에서 머신 러닝을 활용할 기회를 찾을 것이라고 덧붙였다.

Microsoft의 AI for Earth 프로그램은 Mackey 및 동료들에게 인턴을 고용하여 기계 학습 기반 예측 기술을 확장하고 개선하기위한 인턴을 제공하고 있습니다. 또한 협력자들은 다른 머신 러닝 연구원들이 코드를 정확하고 신뢰할 수있는 아 계절 예측으로 분해하는 데 어려움을 겪기를 희망합니다. 이러한 노력을 장려하기 위해 모델 훈련을 위해 만든 데이터 세트를 대중에게 공개했습니다 .

계절별 기후 예측에 따른 계절별 예측에 대한 AI의 잠재적 영향에 대한 호기심에서 Mackey와의 공동 작업을 시작한 Cohen은“기계 학습의 이점은 절대적으로 봅니다. 이것은 끝이 아니다. 시작과 같이 적용 가능성을 높이기 위해 할 수있는 일이 훨씬 더 많습니다.”