专栏首页机器之心AI提前18个月预测厄尔尼诺自然灾害,已登Nature和Science

AI提前18个月预测厄尔尼诺自然灾害,已登Nature和Science

机器之心报道

机器之心编辑部

人类在自然灾害面前总是渺小的,最近研究者利用深度卷积网络提前 18 个月预测出灾害的发生时间,该研究已经登上《Nature》。

可怕的厄尔尼诺每 2 到 7 年就会爆发一次,导致非洲南部出现干旱、南美野火肆虐以及北美太平洋海岸洪水泛滥,有效的厄尔尼诺预警能够减低经济损失。近日,韩国全南大学的一项研究表明,AI 也可以应用到厄尔尼诺的预测中,而且可以将预测时间提前到 18 个月。

  • 论文:https://www.nature.com/articles/s41586-019-1559-7
  • 代码:https://doi.org/10.5281/zenodo.3244463

这项研究可以帮助受厄尔尼诺威胁的地区提前做好干旱、洪水的防御工作,如选择种植何种作物。研究成果近日同时登上了《Nature》和《Science》期刊。

厄尔尼诺现象是指东太平洋海水每隔数年就会异常升温的现象,它通常在圣诞节前后发生,会造成巨大的损失。

之前的技术也能在一定程度上预测厄尔尼诺,但问题在于,它们依赖于较小的海水温度等相关因素数据集。其他预测使用的是气候模型,但很难得出长期预测所需的详细海洋数据。

韩国全南大学的这一模型提前 18 个月的预测准确率为 74%,虽然还不够完美,但也已经远远超过了现有方法,后者提前 18 个月的预测准确率仅为 56%。

论文提出的模型。CNN 模型包括一个输入层、三个卷积层、两个池化层和一个全连接层。最终输出预测结果。

这项新的研究用到了卷积神经网络。研究人员在全球历史海平面温度和深海温度图像上训练神经网络,学习这些图像与厄尔尼诺的对应关系。

具体而言,研究者使用 CNN 的原因是它在处理空间上的多维度数组信息时有很好的效果。论文中指出,CNN 能够将三维的预测区域和预测数值联系起来(即预测某一区域厄尔尼诺指标的值,以此判断灾害是否发生)。

在 CNN 模型中,研究人员使用在区域(东经 0°–360°,南纬 55°到北纬 60°)连续三个月异常的海平面温度(SST)和从海平面到 300 米深度内纵深的温度平均值作为输入,并使用 Nino3.4 指标(西经 170°–120°,南北纬 5°以内区域中反常的平均 SST 值)作为被预测的值,预测时间当前到两年后的情况。

由于厄尔尼诺历史数据较少,研究者使用一组优秀的气候变化模型来生成历史海洋温度图像。这样一来,研究人员不止可以向模型展示 1871 到 1973 年的历史数据,还能利用数千份由气候模型生成的模拟数据。

具体而言,研究人员使用了迁移学习,首先基于历史模拟数据训练了一个 CNN 网络,并使用 1871 到 1973 年的数据重新分析。

训练和验证 CNN 模型时使用的数据集和对应的年份。

对一年 12 个月每月的厄尔尼诺类型进行的预测。验证时段的命中率(从 1984 年到 2017 年)在表格底部标出。括号中的值是 CNN 在 1976 到 2017 年的命中率。绿色阴影表示的是 CNN 预测正确的结果。

模型训练完成后,研究人员在 1984-2017 年的真实数据上进行了测试。结果表明,该模型能够提前 18 个月预测厄尔尼诺。

此外,AI 也更擅长精确定位太平洋升温最高的海域。这具有现实意义,因为当厄尔尼诺集中在东太平洋且更靠近南美洲时,北太平洋的水温会更高,美洲也会出现更多诱发洪灾的降雨;而当厄尔尼诺集中在更远的西部海域时情况有所不同。

Hsieh 表示:利用气候模型创建额外训练数据能够很好地规避其他方法的缺陷,这似乎是一种巨大的进步,所以理应部署到实际的预测中。

但是,纽约哥伦比亚大学国际气候与社会研究所的气象学家和厄尔尼诺建模专家 Stephen Zebiak 提醒道,将厄尔尼诺现象的预测时间提前一年以上能够带来多少实际益处尚不清楚。他表示:「可采取行动的提前时间可能短于一年,因为决策制定者不太可能进一步提前采取行动。」

研究人员已经开始发布 2021 年之前的预测结果,并预测可能出现的拉尼娜现象(反厄尔尼诺),并且与厄尔尼诺现象相比,它会造成更严重的降雨和干旱。但是,主要的政府预测机构尚未考虑接纳该团队的预测。

Ham 表示他和同事们正在调整模型,以进一步扩展预测结果。与此同时,他还表示其团队正努力改进对印度洋偶极子(Indian Ocean Dipole,另一种海洋模式)的预测表现。海水温度的变动会影响亚洲和澳大利亚的降雨和热带气旋。

本文为机器之心报道,转载请联系本公众号获得授权。

加入机器之心(全职记者 / 实习生):hr@jiqizhixin.com

投稿或寻求报道:content@jiqizhixin.com

广告 & 商务合作:bd@jiqizhixin.com

本文分享自微信公众号 - 机器之心(almosthuman2014)

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2019-09-19

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 一份完全解读:是什么使神经网络变成图神经网络?

    图1:来自(Bruna等人,ICLR,2014)的图,描绘了3D领域内的MNIST图像。虽然卷积网络很难对球面数据进行分类,但是图网络可以很自然地处理它。可以把...

    AI科技评论
  • 「LSTM之父」 Jürgen Schmidhuber访谈:畅想人类和 AI 共处的世界 | WAIC 2019

    2019 年 8 月 29 日,世界人工智能大会 WAIC 2019 在上海世博中心举行。瑞士 USI 和 SUPSI 教授,NNAISENSE 联合创始人兼首...

    AI科技评论
  • 清华黄民烈朱小燕等提出ARAML,文本生成训练稳定性能新SOTA

    论文链接:https://arxiv.org/pdf/1908.07195v1.pdf

    机器之心
  • 从头开始在20行代码中查找面部边缘

    正在阅读一本机器学习书,并了解到边缘是机器的重要特征输入,用于了解图片中是否有物体,在这种情况下是面部。看看左边只有边缘的图,可以很容易地说出它是人眼所面孔的,...

    代码医生工作室
  • 当推荐遇到社交:美图的推荐算法设计优化实践

    在美图公司社交战略部署下,推荐算法存在多方面的挑战,为了解决这些挑战,我们团队从工具和算法两个方面分别开展了工作。

    机器之心
  • 7 Papers | 周志华等NeuralPS2019接收论文;网易用GAN建立游戏角色

    论文 1:Deep Learning: Computational Aspects

    机器之心
  • 【GAN优化】详解GAN中的一致优化问题

    GAN的训练是一个很难解决的问题,上期其实只介绍了一些基本的动力学概念以及与GAN的结合,并没有进行过多的深入。动力学是一门比较成熟的学科,有很多非常有用的结论...

    用户1508658
  • SVM(支持向量机)简介与基础理解

    SVM(支持向量机)主要用于分类问题,主要的应用场景有字符识别、面部识别、行人检测、文本分类等领域。原文地址:https://zhuanlan.zhihu.co...

    大道七哥
  • 若DL没了独立同分布假设,样本不独立的机器学习方法综述

    现有的机器学习任务默认训练数据遵循独立同分布 (idependently and identically distributed, IID),神经网络、深度学习...

    机器之心
  • Python/PyMC3/ArviZ贝叶斯统计实战(下)

    在上半部分中,我们了解了贝叶斯方法步骤和高斯推论,也将贝叶斯方法应用到一个实际问题中,今天我主要介绍贝叶斯在Python中实现最终的后验分布。

    AiTechYun

扫码关注云+社区

领取腾讯云代金券