Машинное обучение научилось различать девять типов осадков

Во время снежной бури в Маркетте, Мичиган, система визуализации осадков, разработанная NASA, использует защищенную от непогоды высокоскоростную камеру и яркий свет для записи осадков, проходящих через поле зрения камеры. Собранные здесь и в других местах США, Канады и Европы данные направлены на улучшение прогнозов погоды и климата. Автор: Джулия Шейтс, Лаборатория реактивного движения NASA

Исследование под руководством Мичиганского университета, которое может улучшить прогнозирование погоды и безопасность зимнего вождения, с помощью машинного обучения без учителя и данных высокоскоростных камер за почти десятилетие выделило девять различных типов осадков — разновидности дождя, снега и смешанной фазы (например, мокрый снег). Исследование опубликовано в Science Advances.

Дождь и снег равновероятны при температурах выше и ниже нуля (между -3°C и 5°C), что затрудняет точные прогнозы. Это исследование является частью усилий NASA по использованию наблюдений для информирования и улучшения погодных моделей.

«В краткосрочной перспективе лучший прогноз может помочь людям скорректировать свою ежедневную поездку на работу или подготовиться к крупным событиям, таким как наводнения или ледяной шторм. На более длительных временных масштабах это может помочь предсказать, как снежный покров или время стока повлияют на доступность пресной воды для региона», — сказала Клэр Петтерсен, доцент кафедры климата и космических наук и инженерии в Мичиганском университете.

Исследователи использовали статистические методы и машинное обучение, чтобы определить основные факторы, отличающие осадки, и отсортировать данные на их основе. Их система классификации включает два типа дождя, два типа снега и пять уникальных смесей:

• Морось — легкий, устойчивый дождь
• Сильный дождь — интенсивный дождь с многочисленными мелкими каплями
• Легкий переход от дождя к смеси — легкая ледяная крупа с плотными ледяными гранулами
• Сильный переход от дождя к смеси — интенсивная ледяная крупа с плотными ледяными гранулами
• Легкая смешанная фаза — небольшой объем слякотных, частично замерзших частиц
• Сильная смешанная фаза — большой объем слякотных, частично замерзших частиц
• Сильный переход от снега к смеси — крупные снежинки и агрегированные частицы
• Легкий снегопад — легкий, пушистый снегопад
• Сильный снегопад — интенсивная, сильная метель

Фокусировка на переходах от дождя к снегу

Для расширения и обновления данных, на которых строятся погодные модели, NASA разработало специализированную камерную систему под названием Precipitation Imaging Package (PIP) и развернуло ее на семи площадках в США, Канаде и Европе. Этот видео-диздрометр использует защищенную от непогоды высокоскоростную камеру и яркий свет для записи осадков.

В этом исследовании ученые использовали данные PIP, собранные непрерывно в течение девяти лет на этих семи площадках, что составило 1,5 миллиона измерений частиц с минутным разрешением.

Чтобы осмыслить этот огромный набор данных, исследовательская группа использовала снижение размерности — статистический метод, который упрощает данные со многими переменными для понимания основных закономерностей. Из двух протестированных моделей нелинейный метод, который допускает косвенные или условные отношения между переменными, превзошел традиционный линейный метод, требующий прямых отношений.

«Процессы выпадения осадков очень нелинейны. Многие вещи влияют на осадки во время их падения, что влияет на то, что мы испытываем на поверхности», — сказала Петтерсен.

Нелинейный метод UMAP (Uniform Manifold Approximation and Projection) снизил размерность на 75%, определив три основных фактора, отличающих осадки: фаза, интенсивность и характеристики частиц. Эти факторы помогли идентифицировать и определить эти различные типы осадков.

Исследовательская группа предоставляет интерактивный график для просмотра данных и общедоступный интерфейс, чтобы любой мог опробовать их систему классификации. Без предварительных знаний в области компьютерного программирования пользователи могут ввести имеющиеся у них климатические переменные и получить распределение вероятностей того, как будет выглядеть класс осадков.

«Мы рады видеть, как другие люди будут использовать это, и надеемся, что это принесет некоторую пользу сообществу моделирования через интерфейс и таблицу поиска, которые мы здесь создали», — сказал Фрейзер Кинг, научный сотрудник кафедры климата и космических наук и инженерии в Мичиганском университете и ведущий автор исследования.

Данные доступны на Deep Blue Data.