[PYTHON] Versuchen Sie, durch maschinelles Lernen basierend auf Wetterdaten eine "wetterkartenähnliche Front" zu zeichnen (1)

Zeichnen wir eine "wetterkartenähnliche Front" durch maschinelles Lernen basierend auf Wetterdaten Teil 1

Es ist der ganze Fluss

Einführung

Ich war eine SE, die lange Zeit für technische Berechnungssysteme verantwortlich war, nachdem ich als Student die Geowissenschaften abgeschlossen hatte. Als Reaktion auf den vor einigen Jahren einsetzenden Boom des maschinellen Lernens spielte ich zu Hause mit meinem Mac mini mit Wetterdaten, weil ich nach dem Studium etwas ausprobieren wollte.

Dieses Mal habe ich versucht, durch maschinelles Lernen eine "Frontlinie" zu ziehen, also habe ich sie zusammengefasst (Qiitas erster Beitrag).

Da es mehrere Prozesse gibt, denke ich darüber nach, mehrmals zu posten. Dieser Artikel ist ein allgemeiner Ablauf und eine vorläufige Ankündigung.

Was ich diesmal gemacht habe

"Wetterkarte" wird von der Meteorologischen Agentur basierend auf meteorologischen Beobachtungsdaten erstellt. Fronten und hoher und niedriger Druck werden auf isobaren Linien gezeichnet, die häufig im Fernsehen und in Zeitungen zu sehen sind. Die folgende Abbildung zeigt die "Breaking Weather Map (SPAS)" am 25. November 2019 um 18:00 UTC (3:00 Uhr am 26. JST).

Die "Stagnationsfront" erstreckt sich vom südöstlichen Meer von Kanto nach Nordosten, und die "Kaltfront" erstreckt sich weiter östlich von 150 ° östlicher Länge.

Die "Front" ist die Grenze zwischen Luftgruppen unterschiedlicher Natur, üblicherweise die Grenze zwischen kalter und warmer Luft. Wenn Sie jedoch zu diesem Zeitpunkt versuchen, die meteorologischen Daten (Wind, Druck, Temperatur) auf der Bodenoberfläche zu visualisieren,

Es ist so (ich habe das GSM GPV verwendet, das vom Institut für Lebensräume der Universität Kyoto heruntergeladen wurde). Es scheint überall eine Grenze zwischen kalter und warmer Luft zu geben, und ich habe das Gefühl: "Warum ist nur eine auf der Wetterkarte die Frontlinie?" In dieser Abbildung ist der Wind Yaha, die dicke Konturlinie ist der Druck und die dünne Konturlinie und Farbe (Wechsel von warm zu kalt von rot zu blau) repräsentieren die Temperatur.

Wenn die Frontlinie automatisch gezeichnet wird, kann es sein, dass der Ort, an dem die Differenz groß ist, basierend auf den Temperaturdaten berechnet wird, in diesem Fall jedoch der in der Wetterkarte gezeichnete Ich habe keine Lust, identifiziert zu werden. Daher war das Thema, durch maschinelles Lernen eine "wetterkartenähnliche Front" zu zeichnen.

Zusammenfassend ist es die in der folgenden Abbildung gezeigte Frontlinie, die schließlich maschinelles Lernen erzeugt hat.

Diese Figur ist eine reine Visualisierung des Drucks und eine maschinell erlernte Front überlagert. Nun, die Frontlinie wird an einer bestimmten Position erzeugt.

In Wirklichkeit ist dies ein ziemlich erfolgreicher Fall, in anderen Fällen nicht.

Breaking Weather Map (19. September 2019, 6:00 UTC)

Maschinelles Lernen zeichnen

In diesem Fall wird eine Stagnationsfront im Süden erzeugt, aber verschiedene Fronten (Blockierung, Kälte, Wärme), die sich vom blockierten Niederdruck in der Nähe von Saharin im Norden von Hokkaido erstrecken, werden nicht erzeugt.

Fluss des maschinellen Lernens

Insbesondere wird unter Verwendung numerischer Wetterinformationen (GPV) die Visualisierung einiger Wetterelemente eingegeben, und die Frontkarte der von der Meteorologischen Agentur veröffentlichten "Blitzwetterkarte" wird als Lehrerdaten U-Net verwendet. Es wurde von einem ähnlichen CNN trainiert.

Daten eingeben

Ein Bild, das Bodenoberflächendaten (Wind, Temperatur, Druck) und Himmelsdaten (Druck, Temperatur, Wind, äquivalente Temperatur, Luftfeuchtigkeit) aus den anfänglichen Zeitdaten des Global Forecast Model (GSM) der Meteorological Agency visualisiert.

Am Beispiel der vorherigen 18:00 UTC am 25. November 2019 ist dies wie folgt.

Bodenoberflächendaten

Daten am Himmel Druck / Wind / Temperatur 850hPa (ca. 1500 m über dem Himmel)

500 hPa (nahe 5500 m über dem Himmel)

Äquivalente Temperatur (850 hPa) Das äquivalente Temperaturniveau ist ein Konzept, das die Menge an Wasserdampf und die Temperatur kombiniert. Ein großer Wert zeigt hohe Temperatur und Luftfeuchtigkeit an.

Luftfeuchtigkeit (700 hPa) Die Feuchtigkeitszahl ist die Differenz zwischen der Temperatur und der Taupunkttemperatur. Je höher die Luftfeuchtigkeit, desto kleiner der Wert. Dies ist innerhalb von 3 Grad gefärbt.

Blei DC (700hPa) Es repräsentiert die Bewegung der Luft in vertikaler Richtung und ist ein Maß für die Konvektionsaktivität (Niederschlagsaktivität).

Was wird ausgegeben?

Aus dem obigen Bild erzeugt CNN die folgende Abbildung.

Dies und die aus den meteorologischen Daten visualisierte Druckkarte

Die endgültige Ausgabe ist das Ergebnis der Überlagerung des Obigen und der anschließenden Eingabe der Zeit.

Mit anderen Worten, wo sollte das CNN selbst mehrere Bilder betrachten und eine "Frontlinie" zeichnen? Du lernst.

Fluss zukünftiger Beiträge (geplant)

Ich werde über den Prozess, den ich diesmal gemacht habe, in der folgenden Reihenfolge posten.

[Teil 2: Versuchen Sie, durch maschinelles Lernen basierend auf Wetterdaten (2) eine "wetterkartenähnliche Front" zu zeichnen.](Https://qiita.com/m-taque/items/988b08185097dca5f5b5 "Basierend auf Wetterdaten Zeichnen wir durch maschinelles Lernen eine "wetterkartenähnliche Front" (2) ") Es ist eine Geschichte der Visualisierung von Wetterdaten als Eingabe. Die Geschichte der Visualisierung numerischer Daten im GPV-Format (Umgang mit Matplotlib, GRIB-Format)

[Teil 3: Versuchen Sie, durch maschinelles Lernen basierend auf Wetterdaten (3) eine "wetterkartenähnliche Front" zu zeichnen.](Https://qiita.com/m-taque/items/4d5bb45e6b5dc42dc833 "Basierend auf Wetterdaten Zeichnen wir durch maschinelles Lernen eine "wetterkartenähnliche Front" (3) ") Die Geschichte des Extrahierens der Frontlinie aus der Farbwetterkarte für Trainingsdaten, dh die Geschichte des Extrahierens nur des Frontlinienteils, um Lehrerdaten aus SPAS der Meteorologischen Agentur zu erstellen

[4 .: Versuchen Sie, durch maschinelles Lernen basierend auf Wetterdaten (4) eine "wetterkartenähnliche Front" zu zeichnen.](Https://qiita.com/m-taque/items/80ba51b74167b2aa669e "Basierend auf Wetterdaten Zeichnen wir durch maschinelles Lernen eine "wetterkartenähnliche Front" (4) ") Die Geschichte der Erstellung eines CNN, der Schwarz-Weiß-Wetterkarten koloriert, um die Farbwetterkarten zu erhöhen In der zweiten Spin-out-Geschichte gab es nur wenige Wetterkarten in Farbversion, daher habe ich CNN erneut verwendet, um die Wetterkarten in Schwarzweiß zu kolorieren.

[5. Zeichnen Sie eine "wetterkartenähnliche Front" mit maschinellem Lernen basierend auf Wetterdaten (5) Maschinelles Lernen Automatische Fronterkennung in Wetterdaten](https://qiita.com/m-taque/ items / 2788f623365418db4078)

Dies ist die Geschichte der Frontlinie, die CNN zeichnet, dh die Geschichte der CNN, die den Hauptteil des Lernens darstellt.

Na dann.