Scienty

Фото: img.freepik.com

Специалисты Новосибирского государственного технического университета НЭТИ создали алгоритм, который позволяет строить метеорологические прогнозные модели на основе нейронных сетей, что должно повысить точность прогнозирования погодных условий.

Различные отрасли, такие как промышленность, сельское хозяйство, городское планирование и туризм, нуждаются в достоверной и своевременной информации о погоде, климатических изменениях и состоянии окружающей среды. Эта информация в основном формируется на основе наблюдений и данных, поступающих с метеорологических станций, спутников, датчиков и других приборов. Однако существующие методы имеют определенные недостатки, связанные с большим объемом данных, сложностью их обработки и ограничениями по пространству и времени.

По словам Бориса Малозёмова, доцента кафедры электротехнических комплексов НГТУ НЭТИ и кандидата технических наук, появление нейронных сетей и развитие методов машинного обучения открывают новые перспективы в области анализа и прогнозирования погодных условий. Нейронные сети обладают возможностью обработки значительных массивов информации и способны учитывать сложные взаимосвязи между такими параметрами, как температура, атмосферное давление, влажность и скорость ветра, что обеспечивает повышение точности прогнозов на краткосрочный и долгосрочный периоды.

Специалисты НГТУ НЭТИ разработали подход, основанный на объединении нейронных сетей. Он предполагает обучение нескольких автономных нейросетей для решения одной задачи, что позволяет улучшить точность прогнозов. Для достижения оптимальных результатов необходимо внимательно выбирать архитектуру и параметры этих сетей, а также использовать для обучения большой объем разнообразной информации. В эти данные должны быть включены сведения о прошлых погодных условиях и актуальные данные, получаемые в режиме реального времени.

«Применение группировки нейронных сетей для прогнозирования погоды может осуществляться посредством метода пакетной обработки. Суть этого подхода заключается в обучении нейронных сетей на различных подгруппах данных, отличающихся, например, временными рамками и географическим положением. Полученные прогнозы от каждой сети затем комбинируются для формирования итогового прогноза погоды. Такая стратегия позволяет учитывать особенности погодных условий в различных регионах, что важно для планирования деятельности в самых разных сферах, включая повседневную жизнь, сельское хозяйство, строительство, а также для эффективного управления водными, энергетическими и другими ресурсами, – пояснил Борис Малозёмов.

Для составления прогнозов погоды необходимо учитывать разнообразные исходные сведения, включая информацию с метеостанций, данные со спутников, а также географические и исторические данные. Нейронные сети, объединенные в группы, способны интегрировать данные, поступающие из различных источников.

По словам исследователя, для повышения точности прогнозов на любой сезон можно использовать усреднение или взвешивание результатов работы каждой нейронной сети. Такой подход помогает уменьшить влияние ошибок в отдельных моделях и принимать во внимание различные варианты развития событий для разных погодных сезонов.

«Благодаря применению метода группировки нейронных сетей, мы разработали прогностическую модель, которая учитывает большее число взаимосвязанных параметров, чем отдельные нейронные модели, и, как следствие, демонстрирует более высокую точность прогнозирования. В настоящее время большинство существующих моделей прогнозирования погоды ограничены горизонтом в 120 часов, в то время как нам удалось расширить этот диапазон до 180 часов», — отметил Борис Малозёмов.

По его словам, этот подход обладает перспективами для использования в других сферах, где необходимо точное предсказание, например, в финансах, транспорте и энергетике.

В дальнейшем исследователи намерены совершенствовать метеорологические прогнозные модели, стремясь повысить качество и достоверность исходных данных, а также пересмотреть математические принципы, на которых они основаны.

Предоставлено Управлением информационной политики Новосибирского государственного технического университета