Spørg Fagfolket: Bruger man kunstig intelligens til vejrudsigten?
more_vert
close

Få de daglige nyheder fra Version2 og Ingeniøren. Læs mere om nyhedsbrevene her.

close
Ved at tilmelde dig accepterer du vores Brugerbetingelser, og du accepterer, at Teknologiens Mediehus og IDA-gruppen lejlighedsvis kan kontakte dig om arrangementer, analyser, nyheder, job og tilbud m.m. via telefon og e-mail. I nyhedsbreve, e-mails fra Teknologiens Mediehus kan der forefindes markedsføring fra samarbejdspartnere.

Spørg Fagfolket: Bruger man kunstig intelligens til vejrudsigten?

Illustration: tele52/Bigstock

Vores læser Jens Mose Pedersen spørger:

Er man begyndt at bruge kunstig intelligens i vejrudsigter?

I min ringe forståelse bruger man store ligningssystemer, som beskriver sammenhængen mellem alle de forskellige målinger og satellitbilleder, man har til rådighed. Og ligningssystemerne er baseret på meteorologisk teori.

Men man kunne jo også hælde alle input ind i et neuralt netværk og så lære netværket at beregne det vejr, der faktisk kom. Er det noget, man er begyndt på?

Læs også: Spørg Scientariet: Hvordan bliver DMI’s tørkeindeks beregnet?

Kasper Hintz, M.Sc. i meteorologi og ph.d.-studerende ved DMI, svarer:

Det korte svar er ja, men det er ikke noget, man lige er begyndt på. Det har man gjort i mange år inden for de atmosfæriske videnskaber.

Til at beregne det fremtidige vejr er brugen af udelukkende AI dog ikke særlig attraktivt. Vi kender de overordnede fysiske systemer godt og kan beskrive dem fysisk. En fysisk beskrivelse er som udgangspunkt foretrukken over en statistisk.

Der er dog delelementer i meteorologien, hvor det viser sig meget nyttigt. Selv forsker jeg i brugen af trykmålinger fra smartphones.

Tryk er en af de primære variable, når man skal beskrive startbetingelserne til en vejrmodel, så en præcis beskrivelse af trykfeltet kan være med til at give bedre vejrudsigter.

Læs også: Spørg Scientariet: Hvordan måler man pollen i luften?

Bruger trykmålinger fra smartphones

De fleste smartphones, der bliver lavet i dag, har et indbygget barometer, der fra producentens side bruges til at tracke højdeændringer.

I samarbejde med SFS Development indsamler vi trykmålinger fra danske smartphones. P.t. modtager jeg omkring 150.000 målinger pr. dag, eller flere tusinde procent mere, end hvad det danske netværk af vejrstationer fra DMI kan levere.

Barometrene i smartphones er selvfølgelig mindre nøjagtige, og bias-korrektion er meget vigtig for overhovedet at kunne bruge data. Jeg ser derfor på at bruge maskinlæring til at bias-korrigere disse målinger.

Normale metoder tager fx ikke højde for, at en smartphone kan bevæge sig i rum. Dette er vigtigt at tage højde for, fordi vores vejrmodellers terrænmodel ikke er nøjagtig. Da trykket falder med højden, vil man få et forskelligt bias ift. modellen, alt efter hvor man befinder sig.

Derudover kan man forestille sig, at en given telefon kan befinde sig i en etageejendom på én adresse og i 'stuen' et andet sted. Det kunne være en hjemme- og arbejdsadresse. Det giver bedre resultater at bias-korrigere for de situationer særskilt.

Læs også: Spørg Scientariet: Hvordan måler man klodens gennemsnitstemperatur?

Beslutningstræer hjælper med bias-korrektioner

Til at hjælpe med disse bias-korrektioner har det vist sig, at en ‘random forest’-modellen virker godt.

'Random forest' er en samling af mange 'decision trees' ('beslutningstræer'). I et 'decision tree' opstiller man en række spørgsmål, som man kan sige sandt eller falsk til. Eksempelvis: Er x mindre end 0,5? Hvis ja, rykker man videre til næste spørgsmål, der afhænger af svaret.

De spørgsmål, der stilles, bestemmes af modellen selv ud fra den regression, man laver på sine testdata. Men det kunne være noget som: 'Er afvigelsen mellem vejrmodel og observation større end 1 hPa?'

Efter en række spørgsmål ender man på en værdi, svarende til modellens bud på bias. Det gør man for mange træer og tager så middel.

Til sidst kan man ikke komme længere, og man ender på et 'leaf node' eller et svar, og på den måde træner man en bias-korrektionsmodel for den enkelte telefon.

Herefter kan observationerne assimileres ind i vores vejrmodeller og giver den vej mere præcise vejrudsigter.

Her ses et eksempel på brugen af 'random forest'-modellen. Illustration: Niklas Donges

Vi er ikke i en operationel opsætning endnu, vi arbejder p.t. kun med det i forskning. Jeg har indsamlet observationer fra omkring 120.000 smartphones og flere end 50 millioner observationer. Det datasæt arbejder jeg så på.

I en operationel opsætning skal dataflowet være mere strømlinet. I fremtiden kunne man forestille sig at træne machine-learning-modellen på telefonen selv, sådan at observation er bias-korrigeret når vi modtager den.

De mange smartphone-målinger har især potentiale inden for ’nowcasting’ dvs. højt opløselige vejrudsigter for de næste 0-12 timer.

Et andet eksempel er beregning af strålingseffekterne i vores vejrmodeller. Strålingsfysikken er meget dyr at regne på computermæssigt. Der starter snart et nyt ph.d.-projekt på DMI, der skal undersøge muligheden for at forbedre dette med maskinlæring.

Spørg fagfolket

Du kan spørge om alt inden for teknologi og naturvidenskab. Redaktionen udvælger indsendte spørgsmål og finder den bedste ekspert til at svare – eller sender spørgsmålet videre til vores kloge læsere. Klik her for at stille dit spørgsmål til fagfolket.

sortSortér kommentarer
  • Ældste først
  • Nyeste først
  • Bedste først

Og er intelligens egentlig kun at kunne uddrage, noget måske nyt, ud af al den information man har samlet sammen.
Egentlig er jeg lidt skuffet, men kan godt se at den form for AI måske kan finde nye strukturer i helt almindeligt uoverskuelige datasæt. Om de strukturer så er væsentlige, er et helt andet spørgsmål.
Jeg kommer til at tænke på matrixoperationer, der kan vende og dreje matricer på alle mulige måder, og nogle måder giver en ny indsigt i sammenhængen, men man skal passe gevaldigt på.

  • 1
  • 1

Er det illegalt indsamlede data eller har man fået tilladelse til det?

Har man spurgt 150 000 mennesker om at give tilladelse til at aflæse deres trykmåler og position?

Gennem DMI appen?

  • 1
  • 0
Bidrag med din viden – log ind og deltag i debatten