Khả năng dự báo thời tiết của Google AI chuẩn hơn truyền thống

Không lâu sau khi Google AI giới thiệu hệ thống giúp cải thiện sàng lọc ung thư vú, giờ đây công ty tiếp tục đưa mạng lưới nơ-ron thần kinh tích chập (CNN) trong việc dự báo lượng mưa hiện tại.

Trong báo cáo có tiêu đề “Học máy cho lượng mưa phát ra từ hình ảnh radar”, các nhà nghiên cứu tại Google AI đã sử dụng một CNN để đưa ra dự đoán ngắn hạn về lượng mưa. Và kết quả ban đầu cho thấy con số đầy hứa hẹn mà theo Google cho biết, điều này vượt trội so với các phương pháp truyền thống.

Google cho biết, ngay cả ở giai đoạn phát triển ban đầu, hệ thống cũng có thể tạo ra các dự báo có độ chính xác đến 1km với tổng độ trễ chỉ 5-10 phút, bao gồm cả độ trễ thu thập dữ liệu vượt trội so với các mô hình truyền thống.

Không giống như các phương pháp truyền thống, kết hợp kiến thức tiên tiến về cách thức hoạt động của khí quyển, các nhà nghiên cứu đã sử dụng phương pháp mà họ gọi là phương pháp “physics-free” để giải thích vấn đề dự báo thời tiết chỉ là cách dịch thuật từ hình ảnh sang hình ảnh. Dựa vào đó, CNN dựa trên U-Net – dữ liệu đào tạo gần đúng với vật lý khí quyển. Để đào tạo U-Net, hình ảnh vệ tinh đa năng đã được sử dụng. Dữ liệu được thu thập trên lục địa Mỹ từ năm 2017 đến 2019 đã được sử dụng cho khóa đào tạo ban đầu. Cụ thể, dữ liệu được chia thành các đoạn trong bốn tuần, trong đó tuần trước được sử dụng làm tập tin dữ liệu đánh giá trong khi các tuần còn lại được sử dụng cho tập tin dữ liệu huấn luyện.

So với các phương pháp phát sóng truyền thống, gồm chỉ số High Resolution Rapid Refresh (HRRR), thuật toán dòng quang (OF) và mô hình bền bỉ, mô hình của Google AI vượt trội hơn cả ba. Sử dụng các biểu đồ chính xác, chất lượng phát sóng được thể hiện trên mô hình U-Net tốt hơn nhiều. Nhưng điều quan trọng cần lưu ý là, mô hình HRRR bắt đầu vượt trội hơn so với kết quả của Google AI khi thời gian dự đoán kéo dài khoảng 5-6 giờ.

Hơn nữa, mô hình cung cấp dự đoán tức thời. Đây là một lợi thế bổ sung vì các phương pháp truyền thống như HRRR có độ trễ tính toán là 1-3 giờ. Điều này cho phép mô hình học máy hoạt động trên các dữ liệu mới.

Tuy nhiên, mô hình số được sử dụng trong HRRR không hoàn toàn bị thay thế bởi cách làm này có thể đưa ra dự đoán dài hạn tốt hơn, một phần vì HRRR sử dụng mô hình vật lý 3D đầy đủ – vốn hình ảnh 2D khó quan sát sự hình thành của đám mây hơn dẫn đến khó khăn hơn trong việc tìm hiểu các quy trình đối lưu.

Google tin rằng sự kết hợp của cả hai phương pháp HRRR và mô hình học máy của hãng sẽ có các dự báo ngắn hạn có độ chính xác cao hơn. Theo công ty, họ cũng đang xem xét việc áp dụng phương pháp của mình trực tiếp vào các quan sát 3D trong tương lai.

An Nhiên