用机器学习预测飓风强度,盘盘NASA的AI宇宙

时间:2020-09-08 07:09:59 来源:互联网 作者: 神秘的大神 字体:

  9 月 2 日,NASA 官网消息显示,南加州航空航天局喷气推进实验室的研究人员已经使用机器学习开发实验计算机模型,有望提高检测快速增强事件的准确性。这项研究可以帮助预测飓风在 24 小时内的严重程度,给沿途的人们更多的准备时间。

  预测飓风强度的机器学习辅助工具

  (飓风劳拉在登陆路易斯安那州前不久,经历了一个快速强化的过程,风速在 24 小时内跃升至 35 英里/小时或更高图片来源:NASA 官网)

  飓风预报分为两部分:轨迹和强度。经过筛选多年的卫星数据,研究人员选定几个因素:降雨率、冰水含量和留出温度预测值,将这些添加到美国国家飓风中心正在运行的模型中,通过机器学习得出自己的预测。NASA 表示,机器学习能够更好地分析复杂的内部动力学,并确定哪些因素可能导致飓风强度突然上升。

  这个机器学习模型是使用 IBM Watson Studio 的算法实现的。研究团队通过 1998 年至 2008 年的暴风雨数据训练模型,使用 2009 年至 2014 年的暴风雨数据测试模型,并将测试结果与美国国家飓风中心的预测模型比较,对于“在 24 小时内风速至少增加了 35 mph(56 kph)的飓风”的预测,准确率提高 60%。

  NASA 的 AI 尝试

  在 2019 年 6 月 26 日华盛顿特区举行的 AI 世界政府会议上,NASA 数据科学家兼开放创新计划经理 Brian Thomas 谈到,NASA 正在利用 AI / ML 做四类工作:航空,作战,人力资本和 IT 支持。

  Thomas 说,NASA 最不想看到是机翼或模型在风洞中被炸毁,但他们现在无法使用传统模型和技术做建模,了解真实世界(太空)的复杂结构。人们认为,在航空领域,NASA 可以通过 AI / ML 造出更好的飞船和设备。

  作战方面,Thomas 表示,NASA 可以用 AI / ML 技术来协助天线定位,从而最大程度接触卫星。人力资源方面,NSAS 计划通过文本分析,分析职位描述,然后将其分类,把需要做的事情与员工应该在的位置做预测。IT 支持方便包括用 AI / ML 帮助理解网络入侵,已经如何避免入侵。

  下面是 NASA 一些具体的 AI 应用、助手与尝试案例。

  9 月 1 日的一篇论文,介绍了 AI 助手帮助 NASA 科学家的算法 MMS。新罕布尔什大学的空间物理学家,该论文主要作者 Matthew Argall 表示,MMS 实施的第一个机器学习任务就是 NASA 的。MMS 执行的任务是:检测航天器何时可以从地球磁场穿越到太阳磁场,反之亦然。

  在没有 AI 助手介入的情况下,需要人工在 24 小时内检索 84 个小时中有价值的数据,然后选择最合适的穿梭瞬间。过去是 73 名训练有素的志愿者轮流值班,确保将最好的数据传输到地面。这被认为给研究人员在繁忙的工作日程中,增添了志愿服务的压力。

  因此,用 AI 短发模仿人类如何读取数据,根据经验识别磁绝经。难点在于,大多数神经网络都是在孤立的快照中处理数据,而科学家的观察和预测是动态随时间展开的。所以研究团队通过存储网络,看到过去的数据,并添加将来数据数据,提供当前决策北京,接近科学家的能力,“当网络决定是否要穿越磁层顶时,可以访问周围的数据点提供帮助。”

  目前,新算法与人类判断约有 70% 的重合。

  • CIMON:空间站第一批智能助手

  2018 年 7 月,NASA 发布消息,CIMON 将成为第一批在空间站使用的智能助手,主要任务是处理常规任务。

  CIMON 是可在空间站中使用的头形 AI 机器人,有空中客车公司和 IBM 在德国航空航天中心的资助下开发的“基于 AI 的宇航员助手”,也被 NASA 送入太空。

  (图片来源:DLR 德国航空航天中心

  2019 年 11 月的一则消息显示,NASA 科学家试图与硅谷的科技公司合作,将 AI 算法应用于太空科学。

  NASA 戈达德太空飞行中心的天体生物学家 Giada Arney 希望,机器学习可以帮她和同事在望远镜和天文台收集的一大堆数据中找到生命之源,“由于我们将从未来的观察中获得的数据稀疏且嘈杂,真的很难理解,因此,使用这些工具可以极大帮助我们。”

  为了帮助更多类似 Arney 的科学家达成目标, NASA 的 Frontier Development Lab 每年夏天会召开为期 8 周的夏季计划,集合科学领域研究人员与数据科学家做研究。

  今年的研究内容就包括:太阳物理学;行星科学;地球科学,如预测未来干旱图像;灾害管理,如雷电与极端天气预测、绘制洪水淹没底图;天体物理学,如寻找不寻常恒星和行星系统;宇航员健康,建立因果推断方法试验台。

  2017 年,FDL 参与者开发的机器学习程序可以快速创建附近小行星的 3D 模型,从而准确估算其形状,大小和旋转速度,这些信息对探测并偏转对地球有威胁的小行星至关重要。

  2017 年 12 月,NASA 称开普勒太空望远镜有了新发现。最新发现是研究人员使用 Google 的机器学习技术完成的,即使用 AI 发现了第八颗围绕地球旋转的恒星。

  前面提到的今年 FDL 夏季计划中有关于寻找不寻常恒星和行星系统的挑战:

最近 NASA 的太空望远镜任务发现了恒星亮度随时间变化的奇特恒星,同时每个新发现的太阳系都对我们对太阳系演化的理解提出挑战,但搜索空间巨大,机器学习可以提供帮助吗? 

  近日,NASA 还和微软合作,创建了三个基于 Python 制作的学习模块,可以教初学者使用 Python 和机器学习算法探索太空,对太空岩石做分类,以及预测天气和火箭发射延迟。

  综上,可以看到,NASA 的许多 AI 探索,都是为了帮助天文科学家或数据科学家处理复杂的太空数据。就像 Thomas 说的,“机器学习,我们创建的每个解决方案都是定制的,这在监督学习中很特别,这一切都与数据有关。”