Uso del aprendizaje automático para mejorar las predicciones de olas de calor urbanas: The Social Metwork

Adán Gainford – a.gainford@pgr.reading.ac.uk

brian lo– brian.lo@pgr.reading.ac.uk

Flynn Ames – f.ames@pgr.reading.ac.uk

Hannah Croad – h.croad@pgr.reading.ac.uk

Ieuan Higgs – i.higgs@pgr.reading.ac.uk

¿Qué es Tiger Teams?

Es posible que haya escuchado el término Tiger Teams mencionado en el departamento por parte de algunos estudiantes de doctorado, en un correo electrónico de actualización semanal de SCENARIO DTP o incluso en la pantomima del departamento. Pero, ¿qué es exactamente un equipo tigre? Se cree que el término fue acuñado en un documento de la Conferencia de confiabilidad y mantenibilidad aeroespacial de 1964 para describir «un equipo de especialistas técnicos no domesticados y desinhibidos, seleccionados por su experiencia, energía e imaginación, y asignados para rastrear implacablemente todas las posibles fuentes de falla en un subsistema o simulación de una nave espacial”.

Esto suena como una actividad de equipo perfecta para un grupo de estudiantes de doctorado, aunque nuestro proyecto tenía menos que ver con la búsqueda de fallas en los subsistemas o simulaciones de naves espaciales. Traduciendo la definición original de un equipo tigre a la actividad SCENARIO DTP, «Tiger Teams» es una oportunidad para que los equipos de estudiantes de doctorado apliquen nuestras habilidades a los desafíos del mundo real proporcionados por socios industriales.

¿Por qué nos registramos en Tiger Teams?

Además de un argumento convincente de nuestro director de SCENARIO, pensamos que colaborar en un proyecto en un área desconocida sería una excelente manera de aprender nuevas habilidades unos de otros. La polinización cruzada de ideas y métodos no solo sería beneficiosa para nuestro proyecto, sino que incluso podría ayudarnos con nuestro trabajo de doctorado individual.

De manera más general, Tiger Teams fue una oportunidad para hacer algo ligeramente diferente relacionado con la investigación. La lluvia de ideas para un problema específico de la vida real, el mantenimiento de un repositorio de código como grupo y las presentaciones en equipo no eran las experiencias promedio que uno podría tener como estudiante de doctorado. Incluso cuando, por casualidad, colaboramos con otros, ¿alguna vez es tan diferente a nuestro doctorado? La vista de los mismos problemas …. en la misma área de trabajo…todos los días…. durante meses, sin duda puede resultar agotador. Dedicar un día a la semana a un proyecto a corto plazo no relacionado que se completará en unos pocos meses ayuda a romper la monotonía de la melancolía de la etapa intermedia del doctorado. Esto también es mucho más indicativo de cómo se lleva a cabo la investigación en la industria, donde los problemas se resuelven en colaboración e investigadores con diferentes talentos están involucrados en múltiples proyectos a la vez.

¿Qué hicimos en los Tiger Teams de esta ronda?

Se ofreció un proyecto para esta ronda de Tiger Teams: «Crowdsourced Data for Machine Learning Prediction of Urban Heat Wave Temperatures». Los esqueletos de este proyecto comenzaron durante un hackathon de aprendizaje automático en Met Office y luego se convirtió en una propuesta de Tiger Teams. Esencialmente, este proyecto tenía como objetivo desarrollar un modelo de aprendizaje automático que usaría observaciones de aficionados del sitio web de observación meteorológica de Met Offices (WOW), combinadas con datos de cobertura terrestre, para ajustar los resultados del modelo en cuadrículas de mayor resolución.

Con diversos antecedentes en ciencias ambientales, meteorología, física e informática, estábamos bien equipados para llevar a cabo tareas formuladas para predecir las temperaturas de las olas de calor urbanas. Algunos de los componentes principales incluyen:

• Control de calidad de los datos: además de ser más densas espacialmente, las estaciones de observación de aficionados también son menos confiables.
• Selección de características: qué entradas debemos seleccionar para desarrollar nuestros modelos ML
• Estimación y visualización de errores: cómo evaluamos y visualizamos mejor el rendimiento del modelo
• Predicciones espaciales: desarrollar las herramientas para convertir los resultados del modelo numérico de predicción meteorológica y los datos de cobertura terrestre de alta resolución en mapas espaciales de temperatura.

Nuestro supervisor del proyecto, Lewis Blunn, también proporcionó muchos de los ingredientes básicos para que este proyecto funcione, desde la recuperación y el procesamiento de datos NWP para nuestros modelos, hasta el desarrollo de un método novedoso para cuantificar la cobertura terrestre río arriba para incluirlo en nuestro aprendizaje automático. modelos

¿Cuáles fueron los entregables?

Para la mayoría de los proyectos en la industria, el equipo acuerda con el cliente (el socio industrial) los productos finales que se producirán antes de la conclusión del proyecto. Nuestros dos productos principales fueron (i) desarrollar modelos de aprendizaje automático que predecirían las temperaturas de las olas de calor urbanas en Londres y (ii) una presentación de nuestros hallazgos en la sede de Met Office.

Al final del proyecto, habíamos logrado ambos entregables. A nuestro seminario en Met Office no solo asistieron más de 120 miembros del personal, sino que también intercambiamos ideas con científicos del Laboratorio de Informática y recorrimos brevemente la sede de Met Office y su centro operativo. Los modelos que desarrollamos en equipo están en un repositorio Git compartido, aunque admitimos que aún podríamos agregar un poco más de documentación para futuros desarrollos.

Como entrega adicional, nuestro supervisor (y nosotros) estamos consolidando nuestros hallazgos en un documento publicable. Este es ciertamente un buen trato considerando el esfuerzo de nuestro equipo en los últimos meses. ¡Estén atentos a los resultados de nuestro artículo, quizás en una futura publicación de blog!