Систему для автоматического обнаружения опасных явлений создали в России | Новости науки
Ученые Института физики атмосферы им. А. М. Обухова РАН и МФТИ с коллегами создали систему для автоматического обнаружения опасных погодных явлений — мезомасштабных конвективных систем и связанных с ними ураганов и смерчей. Технология позволяет находить их в первые часы с зарождения и закладывает основу для системы оперативного предупреждения спецслужб, уточнили в пресс-службе МФТИ.
Мезомасштабные конвективные системы (МКС) — это комплекс явлений, проявляющихся на фоне сильной конвекции в атмосфере. Одно из проявлений МКС — кластеры грозовых штормов, внутри которых обычно выпадают сильные ливни, крупный град, развиваются ураганные ветры. Ежегодно в России от них страдают тысячи человек, а экономический ущерб исчисляется миллиардами рублей.
Спрогнозировать или обнаружить их появление в первые минуты довольно сложно: погодные модели, способные воспроизвести такие небольшие явления, вычислительно слишком дороги, процесс формирования МКС сложно зависит от множества факторов, а чтобы визуально обработать большой объем данных со спутников уходит много времени.
Новое решение российских учёных призвано закрыть эту брешь: оно может обнаруживать МКС по спутниковым данным в первые 15-30 минут после образования. При внедрении в системы оперативного мониторинга эта технология сможет радикально сократить время реагирования служб для снижения ущерба.
Систему образуют три взаимосвязанных компонента. Программу GeoAnnotateAssisted используют метеорологи для визуальной разметки МКС на снимках спутников Meteosat. Программа преобразует данные спектральных каналов в наглядное псевдоцветное изображение, где видны признаки конвективных систем: низкая температура верхушек облаков, их специфические кольцеобразные или U-образные паттерны и др. Опознав нужные детали, специалисты оставляют специальные метки. В программу заложена опция ассистента, основанного на модели искусственного интеллекта. Этот ассистент формирует предварительные метки, которые эксперт может подтвердить, скорректировать или отвергнуть. Ассистивный подход значительно ускоряет разметку МКС — самый времязатратный этап обработки данных.
Из тысяч размеченных снимков ученые собрали базу данных DaMesCoS-ETR, а затем на её основе обучили нейросеть MesCoSNet. Анализируя уже новые снимки, нейросеть находит знакомые паттерны и очерчивает МКС. Эта же нейросеть используется в качестве ассистента разметки.
«Главная сила нашей разработки — ее нечеловеческая эффективность. Там, где метеорологу пришлось бы вручную изучать горы спутниковых снимков месяцами, искусственный интеллект проводит анализ за считанные десятки минут. Обрабатывая большое количество данных так быстро, мы сможем не только вовремя предупредить службы и снизить ущерб, но и создать детальную карту появления мезомасштабных конвективных систем, изучить, как они меняются с изменениями климата. В перспективе это повысит точность современных климатических моделей, над которыми сейчас работают более сотни научных коллективов по всему миру», — поделился Михаил Криницкий, заведующий лабораторией машинного обучения в науках о Земле МФТИ.
В перспективе система позволит точечно оповещать жителей городов о подходе шквалов, града или ливней, ассоциированных с МКС, за пару часов, чтобы они могли подготовиться. Фермерам она поможет защитить урожай от крупного града, а транспортным компаниям — вовремя изменить маршруты грузоперевозок.
Нейросеть MesCoSNet уже демонстрирует высокую точность (mAP=0.75) на тестовых данных. Теперь учёные планируют расширить базу данных, улучшить алгоритмы, адаптировать систему к данным российских метеорологических спутников и в перспективе создать автоматическую систему мониторинга и отслеживания МКС для всей территории России. Это важный шаг адаптации в условиях меняющегося климата и связанной с этим повышающейся частоты экстремальных гидроклиматических явлений.
Работа выполнена совместно учеными Института физики атмосферы им. А. М. Обухова РАН, МФТИ, научно-производственного объединения «Тайфун» и Пермского государственного национального исследовательского университета. Исследование опубликовано в журнале Remote Sensing.