Model Cuaca Neural untuk Prakiraan Curah Hujan

Memprediksi cuaca dari menit ke minggu ke depan dengan akurasi tinggi adalah tantangan ilmiah mendasar yang dapat berdampak luas pada banyak aspek masyarakat.

Prakiraan saat ini yang digunakan oleh banyak badan meteorologi didasarkan pada model fisik atmosfer yang, meskipun meningkat secara substansial selama beberapa dekade sebelumnya, secara inheren dibatasi oleh persyaratan komputasinya dan sensitif terhadap perkiraan hukum fisika yang mengaturnya.

Pendekatan alternatif untuk prediksi cuaca yang mampu mengatasi beberapa kendala ini menggunakan jaringan saraf dalam(DNN): alih-alih mengkodekan hukum fisik eksplisit, DNN menemukan pola dalam data dan mempelajari transformasi kompleks dari input ke output yang diinginkan menggunakan komputasi paralel pada perangkat keras khusus yang kuat seperti GPU dan TPU .

Berdasarkan penelitian kami sebelumnya tentang siaran sekarang presipitasi , kami menyajikan “ MetNet: Model Cuaca Neural untuk Prakiraan Curah Hujan ,” sebuah DNN yang mampu memprediksi curah hujan di masa depan pada resolusi 1 km selama interval 2 menit pada rentang waktu hingga 8 jam ke depan.

MetNet mengungguli model berbasis fisika tercanggih saat ini yang digunakan oleh NOAA untuk waktu prediksi hingga 7-8 jam ke depan dan membuat prediksi di seluruh AS dalam hitungan detik dibandingkan dengan satu jam.

Input ke jaringan bersumber secara otomatis dari stasiun radar dan jaringan satelit tanpa memerlukan anotasi manusia. Keluaran model adalah distribusi probabilitas yang kami gunakan untuk menyimpulkan tingkat curah hujan yang paling mungkin dengan ketidakpastian terkait di setiap wilayah geografis. Gambar di bawah ini memberikan contoh prediksi jaringan atas benua Amerika Serikat.

Prediksi model MetNet dibandingkan dengan kebenaran dasar yang diukur oleh sistem multi-radar/multi-sensor NOAA (MRMS). Model MetNet (atas) menampilkan probabilitas curah hujan 1 mm/jam yang diprediksi dari 2 menit hingga 480 menit ke depan, sedangkan data MRMS (bawah) menunjukkan area yang menerima setidaknya 1 mm/jam curah hujan selama periode waktu yang sama.

Model Cuaca Neural

MetNet tidak bergantung pada hukum fisika eksplisit yang menggambarkan dinamika atmosfer, melainkan belajar dengan propagasi balik untuk meramalkan cuaca langsung dari data yang diamati.

Jaringan ini menggunakan perkiraan curah hujan yang berasal dari stasiun radar berbasis darat yang terdiri dari sistem multi-radar/multi-sensor (MRMS) dan pengukuran dari sistem Satelit Lingkungan Operasional Geostasioner NOAA yang memberikan tampilan awan dari atas ke bawah di atmosfer. Kedua sumber data mencakup benua AS dan memberikan masukan seperti gambar yang dapat diproses secara efisien oleh jaringan.

Model ini dieksekusi untuk setiap 64 km x 64 km persegi yang mencakup seluruh AS pada resolusi 1 km.

Namun, cakupan fisik aktual dari data input yang sesuai dengan masing-masing wilayah keluaran ini jauh lebih besar, karena harus memperhitungkan kemungkinan gerakan awan dan medan presipitasi selama periode waktu yang membuat prediksi.

Misalnya, dengan asumsi bahwa awan bergerak hingga 60 km/jam, untuk membuat prediksi informasi yang menangkap dinamika temporal atmosfer hingga 8 jam ke depan, model membutuhkan konteks spasial 60 x 8 = 480 km ke segala arah.

Jadi, untuk mencapai tingkat konteks ini, informasi dari area 1024 km x 1024 km diperlukan untuk prediksi yang dibuat di patch pusat 64 km x 64 km.

Ukuran patch input yang berisi citra satelit dan radar (besar, 1024 x 1024 km persegi) dan output prediksi citra radar (kecil, 64 x 64 km persegi).

Karena memproses area 1024 km x 1024 km pada resolusi penuh memerlukan sejumlah besar memori, kami menggunakan downsampler spasial yang mengurangi konsumsi memori dengan mengurangi dimensi spasial dari patch input, sekaligus juga menemukan dan menjaga pola cuaca yang relevan di input.

Encoder temporal (diimplementasikan dengan LSTM convolutional yang sangat cocok untuk urutan gambar) kemudian diterapkan di sepanjang dimensi waktu dari data input yang di-downsampling, mengkodekan tujuh snapshot dari data input 90 menit sebelumnya, dalam segmen 15 menit.

Output dari encoder temporal kemudian diteruskan ke agregator spasial, yang menggunakan perhatian-diri aksialuntuk secara efisien menangkap dependensi spasial jarak jauh dalam data, dengan jumlah konteks yang bervariasi berdasarkan waktu target input, untuk membuat prediksi pada output 64 km x 64 km.

Output dari arsitektur ini adalah distribusi probabilitas diskrit yang memperkirakan probabilitas tingkat curah hujan tertentu untuk setiap kilometer persegi di benua Amerika Serikat.

Arsitektur model cuaca saraf, MetNet. Citra satelit dan radar masukan pertama-tama melewati downsampler spasial untuk mengurangi konsumsi memori.

Mereka kemudian diproses oleh LSTM konvolusi pada interval 15 menit selama 90 menit data input. Kemudian lapisan perhatian aksial digunakan untuk membuat jaringan melihat keseluruhan gambar masukan.

Hasil

Kami mengevaluasi MetNet pada tolok ukur perkiraan tingkat curah hujan dan membandingkan hasilnya dengan dua garis dasar — ​​sistem NOAA High Resolution Rapid Refresh (HRRR), yang merupakan model prakiraan cuaca fisik yang saat ini beroperasi di AS, dan model dasar yang memperkirakan pergerakan dari bidang presipitasi (yaitu, aliran optik ), metode yang dikenal berkinerja baik untuk waktu prediksi kurang dari 2 jam.

Keuntungan signifikan dari model cuaca saraf kami adalah model ini dioptimalkan untuk komputasi padat dan paralel serta cocok untuk dijalankan pada perangkat keras khusus (misalnya, TPU).

Hal ini memungkinkan prediksi dibuat secara paralel dalam hitungan detik, baik untuk lokasi tertentu seperti New York City atau untuk seluruh AS, sedangkan model fisik seperti HRRR memiliki waktu proses sekitar satu jam pada superkomputer.

Kami mengukur perbedaan kinerja antara MetNet, HRRR, dan model dasar aliran optik dalam plot di bawah ini.

Di sini, kami menunjukkan kinerja yang dicapai oleh ketiga model, dievaluasi menggunakan skor F1 pada ambang batas curah hujan 1,0 mm/jam, yang sesuai dengan hujan ringan.

Model cuaca neural MetNet mampu mengungguli sistem NOAA HRRR pada garis waktu kurang dari 8 jam dan secara konsisten lebih baik daripada model berbasis aliran.

Kinerja dievaluasi dalam hal F1-skor pada tingkat curah hujan 1,0 mm/jam (lebih tinggi lebih baik).

Model cuaca saraf (MetNet) mengungguli model berbasis fisika (HRRR) yang saat ini beroperasi di AS untuk rentang waktu hingga 8 jam ke depan.

Karena sifat atmosfer yang stokastik, ketidakpastian tentang kondisi cuaca masa depan yang tepat meningkat dengan waktu prediksi yang lebih lama.

Karena MetNet adalah model probabilistik, ketidakpastian dalam prediksi terlihat dalam visualisasi dengan semakin mulusnya prediksi saat waktu perkiraan diperpanjang.

Sebaliknya, HRRR tidak secara langsung membuat prediksi probabilistik, melainkan memprediksi satu potensi masa depan. Gambar di bawah membandingkan output model MetNet dengan model HRRR.

Perbandingan antara output dari MetNet ( atas ) dan HRRR ( bawah ) dengan ground-truth ( tengah ) yang diambil dari sistem MRMS NOAA.

Perhatikan bahwa sementara model HRRR memprediksi struktur yang tampaknya lebih mirip dengan kebenaran dasar, struktur yang diprediksi mungkin sangat salah.

Prediksi dari model fisik HRRR terlihat lebih tajam dan lebih terstruktur daripada model MetNet, tetapi strukturnya, khususnya waktu dan lokasi yang tepat di mana struktur diprediksi, kurang akurat karena ketidakpastian kondisi awal dan parameter model.

HRRR ( kiri ) memprediksi satu potensi hasil masa depan (merah) dari banyak kemungkinan hasil, sedangkan MetNet ( kanan ) secara langsung memperhitungkan ketidakpastian dengan menetapkan probabilitas atas hasil masa depan.

Arah masa depan

Kami secara aktif meneliti bagaimana meningkatkan prakiraan cuaca global, terutama di wilayah di mana dampak perubahan iklim yang cepat paling besar.

Meskipun kami mendemonstrasikan model MetNet saat ini untuk benua AS, model ini dapat diperluas untuk mencakup wilayah mana pun yang tersedia data radar dan satelit optik yang memadai.

Pekerjaan yang disajikan di sini adalah batu loncatan kecil dalam upaya ini yang kami harap mengarah pada peningkatan yang lebih besar melalui kolaborasi di masa depan dengan komunitas meteorologi.

Tinggalkan komentar

close