賴斯大學的工程師已經(jīng)創(chuàng)建了一個深度學習計算機系統(tǒng)，該系統(tǒng)可以自我學習，從而可以在最短五天之前使用有關(guān)當前天氣狀況的最少信息來準確預測極端天氣事件，例如熱浪。

具有諷刺意味的是，賴斯的自學“膠囊神經(jīng)網(wǎng)絡(luò)”使用一種天氣預報的模擬方法，使計算機在1950年代過時了。在訓練期間，它會檢查數(shù)百對地圖。每張圖都顯示了五公里高處的表面溫度和氣壓，每對都相隔數(shù)天顯示了這些狀況。培訓包括產(chǎn)生極端天氣的場景-擴展的冷熱天氣可能導致致命的熱浪和冬季風暴。經(jīng)過培訓，該系統(tǒng)能夠檢查以前未曾見過的地圖，并以85%的準確度對極端天氣進行五天預報。

賴斯的Pedram Hassanzadeh是在線發(fā)表的關(guān)于該系統(tǒng)的研究的合著者，他說，隨著進一步的發(fā)展，該系統(tǒng)可以用作天氣預報員的預警系統(tǒng)，并且可以作為一種工具來了解有關(guān)導致極端天氣的大氣條件的更多信息。本周在美國地球物理聯(lián)合會的《地球系統(tǒng)建模進展雜志》上。

自1950年代基于計算機的數(shù)字天氣預報(NWP)出現(xiàn)以來，日常天氣預報的準確性一直穩(wěn)步提高。但是，即使有了改進的大氣數(shù)值模型和更強大的計算機，NWP也無法可靠地預測極端事件，例如2003年法國和2010年俄羅斯的致命熱浪。

賴斯機械工程以及地球，環(huán)境和行星科學的助理教授哈桑扎德(Hassanzadeh)表示：“可能我們需要更快的超級計算機才能以更高的分辨率求解數(shù)值天氣預報模型的控制方程式。”“但是，由于我們不完全了解極端天氣模式的物理條件和先兆條件，因此，無論我們投入多少計算能力，這些方程也可能不完全準確，并且它們也不會產(chǎn)生更好的預測。在。”

2017年底，哈桑扎德(Hassanzadeh)及其研究合著者和研究生Ashesh Chattopadhyay和Ebrahim Nabizadeh決定采用另一種方法。

“當您收到這些熱浪或冷風時，如果查看天氣圖，您通常會發(fā)現(xiàn)噴流中有些怪異的行為，異常現(xiàn)象，例如大浪或不動的高壓系統(tǒng)。全部”，哈桑扎德說。“這似乎是一個模式識別問題。因此，我們決定嘗試將極端天氣預報重新制定為一種模式識別問題，而不是數(shù)值問題。”