በአየር ሁኔታ ትንበያ ውስጥ የማሽን መማሪያ ስልተ ቀመሮችን መጠቀም

በአየር ሁኔታ ትንበያ ውስጥ የማሽን መማሪያ ስልተ ቀመሮች አጠቃቀም

የአየር ሁኔታ ትንበያ የዘመናዊው ሕይወት ወሳኝ አካል ነው። ስለ ዝናብ፣ የሙቀት መጠን፣ ነፋስ እና እርጥበት መረጃ ብዙ ዘርፎች ውሳኔዎችን እንዲያደርጉ ይረዳል፤ ገበሬዎች የመትከያ መርሃ ግብሮችን እንዲወስኑ፣ አየር መንገዶች የበረራ መስመሮችን እንዲያዘጋጁ፣ መንግስታት ለአደጋ ቅነሳ እንዲዘጋጁ እና ሰዎች የዕለት ተዕለት እንቅስቃሴዎቻቸውን እንዲያቅዱ። ለአስርተ ዓመታት የአየር ሁኔታ ትንበያ በዋናነት የተመሰረተው በሂሳብ እኩልታዎች ላይ ተመስርተው በአየር ሁኔታዎች ላይ ለውጦችን የሚያሰላ የከባቢ አየር ፊዚክስ ሞዴል በሆነው በቁጥር የአየር ሁኔታ ትንበያ (NWP) ላይ ነው። ሆኖም፣ በቅርብ ዓመታት ውስጥ የማሽን መማሪያ (ML) የአየር ሁኔታ ትንበያ ሂደቱን ለማሟላት እና ለማፋጠን እየጨመረ መጥቷል፣ በዋናነት በከፍተኛ መጠን ባለው መረጃ ውስጥ ቅጦችን የማግኘት ችሎታው ነው።

የማሽን መማር ለአየር ሁኔታ ትንበያ ጠቃሚ የሆነው ለምንድነው?

ከባቢ አየር በጣም ውስብስብ እና መስመራዊ ያልሆነ ስርዓት ነው። በፊዚክስ ሞዴሎች ውስጥ እድገት ቢኖርም፣ በርካታ ተግዳሮቶች ይቀራሉ፡ ከፍተኛ የኮምፒውተር መስፈርቶች፣ በምልከታ መረጃዎች ላይ እርግጠኛ አለመሆን እና እንደ ኮንቬክቲቭ ደመናዎች ወይም የአካባቢ ዝናብ ያሉ አነስተኛ መጠን ያላቸውን ክስተቶች ሞዴል የማድረግ ችግር። ML እዚህ ላይ ጠቃሚ የሚሆነው በሚከተሉት ምክንያቶች ነው፡

1. ከታሪካዊ የአየር ሁኔታ መረጃ፣ ሳተላይቶች፣ ራዳር እና የገጽታ ዳሳሾች መስመራዊ ያልሆኑ ቅጦችን ማጥናት የሚችል።
2. ትንበያዎችን ፈጣን ማድረግ ይችላል፣ በተለይም ለnowcasting ፍላጎቶች (0-6 ሰዓታት) እና ለአጭር ጊዜ ትንበያዎች።
3. የፊዚክስ ሞዴል አድልዎ በማረም ትክክለኛነትን ማሻሻል፣ ለምሳሌ የNWP ውጤትን ከክልላዊ ሁኔታዎች ጋር ማስተካከል።
4. እንደ ባለብዙ ስፔክትራል ሳተላይት ምስሎች እና የዝናብ ራዳር ያሉ በቀጥታ ወደ ፊዚክስ እኩልታዎች ለማስገባት አስቸጋሪ የሆኑ የተለያዩ መረጃዎችን መጠቀም።

ኤምኤል የፊዚክስ ሞዴሎችን ሙሉ በሙሉ አልተካም፣ ነገር ግን እንደ ማጉያ ሆኖ ያገለግላል፡- ስሌትን ማፋጠን፣ የቦታ ዝርዝርን መጨመር እና የትንበያ ስህተቶችን መቀነስ።

በኤምኤል-ተኮር የአየር ሁኔታ ትንበያ ውስጥ የውሂብ አይነቶች

የማሽን መማሪያ ስኬት በአብዛኛው የተመካው በመረጃው ጥራት እና ሙሉነት ላይ ነው። በሜትሮሎጂ አውድ ውስጥ፣ በብዛት ጥቅም ላይ የሚውሉ መረጃዎች የሚከተሉትን ያካትታሉ፡

- የወለል መረጃ፡ የሙቀት መጠን፣ እርጥበት፣ ግፊት፣ የንፋስ አቅጣጫ እና ከአየር ሁኔታ ጣቢያዎች ፍጥነት።
- የላይኛው የከባቢ አየር መረጃ፡ የራዲዮሰንዶች እና ቀጥ ያለ የሙቀት መጠን/የንፋስ መገለጫዎች።
- የሳተላይት ምስሎች፡ የደመና መረጃ፣ የደመና የላይኛው የሙቀት መጠን፣ የውሃ ትነት ይዘት እና ሌሎች መለኪያዎች።
- የአየር ሁኔታ ራዳር፡ የዝናብ ጥንካሬ እና የማዕበል ሴል እንቅስቃሴ በከፍተኛ ጥራት።
– የNWP ሞዴል ውጤት፡- በተለይ ለድህረ-ሂደት ለኤምኤል ሞዴሎች እንደ ተጨማሪ ግብዓት ሆኖ ያገለግላል።
- ዳግም ትንተና፡- በጊዜያዊነት ወጥ የሆነ የተመልካች እና የረጅም ጊዜ ስልጠና ሞዴሎች የተጣመረ የውሂብ ስብስብ።

ዋናው ፈተና የአየር ሁኔታ መረጃ ብዙውን ጊዜ ያልተሟላ፣ ጫጫታ የሚፈጥር እና በተለያዩ የቦታ-ጊዜ ጥራቶች ላይ የሚገኝ መሆኑ ነው። ስለዚህ፣ እንደ ኢንተርፖሌሽን፣ መደበኛነት፣ የጎደሉ እሴቶችን አያያዝ እና የፍርግርግ አሰላለፍ ያሉ የቅድመ-ሂደት ደረጃዎች ወሳኝ ናቸው።

በብዛት ጥቅም ላይ የሚውሉ የማሽን መማሪያ ስልተ ቀመሮች

የተለያዩ ስልተ ቀመሮች እንደ ትንበያው ግብ መሰረት ጥቅም ላይ ይውላሉ፡- የዕለታዊ የሙቀት መጠን፣ የዝናብ እድል፣ በሰዓት የሚዘንብ የዝናብ መጠን ግምቶች ወይም እንደ አውሎ ነፋሶች ያሉ ከፍተኛ ትንበያዎች።

1. ወደኋላ መመለስ እና ዘመናዊ የስታቲስቲክስ ሞዴሎች
እንደ የሙቀት መጠን ወይም ግፊት ያሉ ቀጣይነት ያላቸውን ተለዋዋጮች ለመተንበይ፣ እንደ ሊኒያር ሪግሬሽን፣ ሪጅ/ላስሶ እና ጄኔራላይዝድ አዲዲቲቭ ሞዴሎች (GAM) ያሉ ዘዴዎች አሁንም ጠቃሚ ናቸው፣ በተለይም ትርጓሜ ሲያስፈልግ። እነዚህ ዘዴዎች ብዙውን ጊዜ እንደ መነሻ ወይም ለNWP ውጤት ቀላል እርማቶች ያገለግላሉ።

2. የዘፈቀደ ደን እና የግራዲየንት ማበልጸጊያ
የዘፈቀደ ደን እና ግራዲየንት ቡቲንግ (ለምሳሌ፣ XGBoost፣ LightGBM) በአየር ሁኔታ ትንበያ ድህረ-ሂደት ላይ ተወዳጅ ናቸው። ጥቅሞቻቸው የሚከተሉት ናቸው፡
- መስመራዊ ያልሆነ መረጃን ለመቋቋም ጠንካራ;
- በርካታ ባህሪያትን የማስተናገድ ችሎታ፣
- በአንጻራዊ ሁኔታ የተረጋጋ እና ለመረጃ ሚዛን ብዙም ስሜታዊ ያልሆነ።

የዚህ አተገባበር ምሳሌ የሙቀት፣ የእርጥበት መጠን፣ የከባቢ አየር መረጋጋት መረጃ ጠቋሚ እና በተገቢው ሰዓት የNWP ውጤት ባለው ቦታ ላይ የዝናብ እድልን መተንበይ ነው።

3. የቬክተር ማሽን (SVM) ድጋፍ
ኤስቪኤምዎች ብዙውን ጊዜ እንደ "ዝናብ" እና "ዝናብ አይደለም" ወይም አውሎ ነፋስን ለመለየት ላሉ የክስተት ምደባዎች ያገለግላሉ። ሆኖም፣ ኤስቪኤምዎች በጣም ትልቅ ለሆኑ የውሂብ ስብስቦች በኮምፒውተር ወጪ ሊወጡ ይችላሉ፣ ስለዚህ አጠቃቀማቸው በአሁኑ ጊዜ ከማበረታቻ ወይም ጥልቅ የመማሪያ ዘዴዎች የበለጠ የተገደበ ነው።

4. ተደጋጋሚ የነርቭ ኔትወርኮች (RNN)፣ LSTM እና GRU
የአየር ሁኔታ የጊዜ ተከታታይ ስለሆነ፣ RNNs - በተለይም LSTM/GRU - ብዙውን ጊዜ እንደ የሰዓት ሙቀት፣ ነፋስ ወይም ዝናብ ያሉ የጊዜ ተከታታይ ሞዴሎችን ለመምሰል ያገለግላሉ። እነዚህ ሞዴሎች እንደ ዕለታዊ ቅጦች ወይም የሚንቀሳቀሱ የአየር ብዛት ተጽዕኖ ያሉ የአጭር ጊዜ እና የረጅም ጊዜ ጥገኝነቶችን መረዳት ይችላሉ።

5. ኮንቮሽናል ነርቭ ኔትወርኮች (ሲኤንኤን)
እንደ ሳተላይት እና ራዳር ምስሎች ላሉ የቦታ መረጃዎች፣ ሲኤንኤንዎች በጣም ውጤታማ ናቸው ምክንያቱም እንደ የደመና ቅርፅ እና እንቅስቃሴ ያሉ የእይታ ቅጦችን ማውጣት ይችላሉ። ሲኤንኤንዎች በአንድ ነጥብ ላይ ያለውን እሴት ብቻ ሳይሆን በተወሰነ የፍርግርግ አካባቢ ላይ የዝናብ "ካርታዎችን" ለመተንበይም ያገለግላሉ።

6. የቦታ-ጊዜያዊ ሞዴሎች እና ትራንስፎርመሮች
በቅርብ ጊዜ የተከናወኑት እድገቶች እንደ ConvLSTM ያሉ የቦታ-ጊዜያዊ ኮንካቴኔሽን ሞዴሎችን እንዲሁም ረጅም ጥገኝነቶችን በተሻለ ሁኔታ መቋቋም የሚችሉ ትራንስፎርመሮችን ያካትታሉ። ትራንስፎርመሮች በአየር ሁኔታ ትንበያ ላይ ትኩረት እያገኙ ነው ምክንያቱም በቦታዎች እና በጊዜ ሂደት መካከል ውስብስብ ግንኙነቶችን መማር ስለሚችሉ፣ በተለይም መረጃው በጣም ትልቅ ሲሆን።

7. ፊዚክስ-ተኮር የማሽን ትምህርት
የፊዚክስ እውቀትን ከኤምኤል ጋር የሚያጣምሩ የተደባለቁ አቀራረቦች ጠቀሜታ እያገኙ ነው። አካላዊ ገደቦችን (ለምሳሌ የጅምላ ወይም የኃይል ጥበቃ) ወደ ኪሳራ ተግባር በማካተት፣ ሞዴሎች የበለጠ የተረጋጉ እና ሳይንሳዊ ጤናማ ይሆናሉ፣ ይህም “የማይቻሉ ትንበያዎች” አደጋን ይቀንሳል።

ኤምኤል በአየር ሁኔታ ትንበያ ስርዓቶች ውስጥ እንዴት ጥቅም ላይ እንደሚውል

የኤምኤል (ML) በሜትሮሎጂ ውስጥ በአጠቃላይ በሚከተሉት ምድቦች ይከፈላሉ፡

1. በራዳር/ሳተላይት ላይ የተመሠረተ nowcasting
ኤምኤል በሚቀጥሉት ጥቂት ሰዓታት ውስጥ የዝናብ እንቅስቃሴን እና ጥንካሬን በፍጥነት ይተነብያል። ይህ ለቅድመ ጎርፍ ማስጠንቀቂያዎች እና ለትራፊክ አስተዳደር ወሳኝ ነው።

2. የNWP ውጤት ድህረ-ሂደት
የፊዚክስ ሞዴሎች ብዙውን ጊዜ በተወሰኑ ክልሎች ውስጥ ስልታዊ አድልዎዎች አሏቸው። ኤምኤል እነዚህን አድልዎዎች በታሪካዊ መረጃ ላይ ተመስርተው ለማስተካከል ጥቅም ላይ ይውላል፣ ይህም የበለጠ አካባቢያዊ ትክክለኛነትን ያስከትላል።

3. የጥራት መቀነስ (የጥራት መጨመር)
ዓለም አቀፍ የNWP ውጤት በተለምዶ ሻካራ ጥራት ያለው ነው። ML ለከተማ ወይም ለዲስትሪክት ሚዛኖች ተስማሚ ወደሆኑ ከፍተኛ ጥራት ዝቅ ሊል ይችላል።

4. ስብስብ እና ፕሮባቢሊቲ ትንበያ
የአየር ሁኔታ እርግጠኛ አለመሆን የተሞላ ስለሆነ፣ ኤምኤል እንደ 70% የዝናብ እድል ወይም የተለያዩ የሙቀት መጠኖች ያሉ ነጠላ ቁጥሮችን ከመጠቀም ይልቅ የዕድል ትንበያዎችን ለማመንጨት ይረዳል።

ተግዳሮቶች እና ገደቦች

ምንም እንኳን ተስፋ ሰጪ ቢሆንም፣ የአየር ሁኔታ ትንበያን በተመለከተ የML አጠቃቀም ያለ ተግዳሮቶች አይደለም፡

– የውሂብ ጥራት እና የምልከታ አድልዎ፡- ጥቂት የአየር ሁኔታ ጣቢያዎች ያሏቸው አካባቢዎች አነስተኛ ውክልና ያለው መረጃ ያመነጫሉ።
- የአየር ንብረት ለውጥ እና የማይለዋወጥነት፡- ያለፉ ቅጦች ሁልጊዜ ከወደፊት ቅጦች ጋር አይዛመዱም፣ ስለዚህ ሞዴሎች ያለማቋረጥ መዘመን አለባቸው።
– ትርጓሜ፡- እንደ ጥልቅ ትምህርት ያሉ ውስብስብ ሞዴሎች ብዙውን ጊዜ ለማብራራት አስቸጋሪ ናቸው፣ ምንም እንኳን የአደጋ ውሳኔዎች ግልጽ ምክንያት የሚያስፈልጋቸው ቢሆንም።
– የሞዴል አጠቃላይነት፡- በአንድ ክልል ውስጥ በጥሩ ሁኔታ የሚሰራ ሞዴል በጂኦግራፊያዊ እና በአየር ንብረት ሁኔታዎች ልዩነት ምክንያት በሌላ ክልል ውስጥ ላይሰራ ይችላል።
– ለከባድ ክስተቶች የመቋቋም አቅም፡- እጅግ በጣም ብዙ መረጃዎች በአንጻራዊ ሁኔታ ሲታይ በጣም አናሳ ናቸው፣ ስለዚህ የML ሞዴሎች በጣም አስፈላጊ በሚሆንበት ጊዜ ከሚጠበቀው በላይ አፈጻጸም ሊኖራቸው ይችላል።

ስለዚህ፣ ምርጡ ልምምድ ጥብቅ ማረጋገጫ (ጊዜያዊ የመስቀል-ማረጋገጫ)፣ በጣም ከባድ በሆኑ ጊዜያት ሙከራ ማድረግ እና ቀጣይነት ያለው የአፈጻጸም ክትትል መጠቀም ነው።

ከሲምፑላን

የማሽን መማሪያ የአየር ሁኔታ ትንበያን ለማሻሻል በተለይም ፈጣን የአሁን ስርጭት፣ የNWP አድልዎ ማስተካከያ እና የትንበያ ጥራትን በመጨመር ጉልህ እድሎችን ከፍቷል። ከ Random Forest እስከ CNN እና Transformer ያሉ የተለያዩ ስልተ ቀመሮች እንደ የውሂብ አይነት እና የትንበያ ዓላማዎች ሊመረጡ ይችላሉ። ሆኖም ግን፣ አስተማማኝ ስርዓት ለመፍጠር፣ ML በጥራት መረጃ፣ በጠንካራ ግምገማ እና ከከባቢ አየር ፊዚክስ እውቀት ጋር በጥበብ ውህደት መደገፍ አለበት። ወደፊት፣ የፊዚክስ ሞዴሎችን እና MLን የሚያካትቱ የተቀላቀለ አቀራረብ የተለመደ ሊሆን ይችላል፣ ምክንያቱም የሁለቱንም ጥንካሬዎች ያጣምራል፡ ሳይንሳዊ ወጥነት እና ከትላልቅ የውሂብ ስብስቦች ውስብስብ ቅጦችን የመማር ችሎታ።

ከፈለጉ፣ የዚህን ጽሑፍ እትም በሳይንሳዊ መዋቅር (ማጠቃለያ-ዘዴ-ውጤቶች-ውይይት) መስራት፣ ጥቅሶችን ማከል ወይም በኢንዶኔዥያ ውስጥ በተተገበሩ ምሳሌዎች (BMKG፣ የሂማዋሪ የሳተላይት መረጃ እና የአየር ሁኔታ ራዳር) ላይ ማተኮር እችላለሁ።