Defnyddio Algorithmau Dysgu Peirianyddol wrth Ragweld y Tywydd
Mae rhagfynegi tywydd yn rhan hanfodol o fywyd modern. Mae gwybodaeth am lawiad, tymheredd, gwynt a lleithder yn helpu llawer o sectorau i wneud penderfyniadau: mae ffermwyr yn pennu amserlenni plannu, mae cwmnïau hedfan yn trefnu llwybrau hedfan, mae llywodraethau'n paratoi ar gyfer lliniaru trychinebau, ac mae pobl yn cynllunio eu gweithgareddau dyddiol. Ers degawdau, mae rhagfynegi tywydd wedi dibynnu'n bennaf ar Ragfynegi Tywydd Rhifiadol (NWP), model ffiseg atmosfferig sy'n cyfrifo newidiadau mewn amodau aer yn seiliedig ar hafaliadau mathemategol. Fodd bynnag, yn ystod y blynyddoedd diwethaf, mae dysgu peirianyddol (ML) wedi cael ei ddefnyddio fwyfwy i ategu a hyd yn oed gyflymu'r broses rhagfynegi tywydd, yn bennaf oherwydd ei allu i ddod o hyd i batrymau mewn symiau mawr o ddata.
Pam mae Dysgu Peirianyddol yn Berthnasol ar gyfer Rhagfynegi Tywydd?
Mae'r atmosffer yn system gymhleth ac anlinellol iawn. Er gwaethaf y datblygiadau mewn modelau ffiseg, mae sawl her yn parhau: gofynion cyfrifiadurol uchel, ansicrwydd mewn data arsylwadol, ac anhawster modelu ffenomenau ar raddfa fach fel cymylau darfudol neu law lleol. Dyma lle mae ML yn dod yn berthnasol oherwydd:
1. Yn gallu astudio patrymau anlinellol o ddata tywydd hanesyddol, lloerennau, radar, a synwyryddion arwyneb.
2. Gall wneud rhagfynegiadau'n gyflymach, yn enwedig ar gyfer anghenion rhagweld y presennol (0–6 awr) a rhagolygon tymor byr.
3. Gwella cywirdeb drwy gywiro tuedd model ffiseg, er enghraifft addasu allbwn NWP i amodau rhanbarthol.
4. Defnyddio data amrywiol sy'n anodd ei fewnbynnu'n uniongyrchol i hafaliadau ffiseg, megis delweddaeth lloeren aml-sbectrol a radar glaw.
Nid yw ML wedi disodli modelau ffiseg yn llwyr, ond mae'n gweithredu fel mwyhadur: yn cyflymu cyfrifiadu, yn cynyddu manylder gofodol, ac yn lleihau gwallau rhagfynegi.
Mathau Data mewn Rhagfynegiad Tywydd yn Seiliedig ar ML
Mae llwyddiant dysgu peirianyddol yn dibynnu'n fawr ar ansawdd a chyflawnder y data. Yng nghyd-destun meteoroleg, mae data a ddefnyddir yn gyffredin yn cynnwys:
– Data arwyneb: tymheredd, lleithder, pwysedd, cyfeiriad a chyflymder y gwynt o orsafoedd tywydd.
– Data atmosffer uchaf: radiosondau a phroffiliau tymheredd/gwynt fertigol.
– Delweddau lloeren: gwybodaeth am gymylau, tymheredd pen y cymylau, cynnwys anwedd dŵr, a pharamedrau eraill.
– Radar tywydd: dwyster glaw a symudiad celloedd storm mewn cydraniad uchel.
– Allbwn model NWP: yn gwasanaethu fel mewnbwn ychwanegol ar gyfer modelau ML, yn enwedig ar gyfer ôl-brosesu.
– Ail-ddadansoddi: set ddata gyfunol gyson dros amser o arsylwadau a modelau ar gyfer hyfforddiant hirdymor.
Y prif her yw bod data tywydd yn aml yn anghyflawn, yn swnllyd, ac ar wahanol benderfyniadau gofod-amserol. Felly, mae camau cyn-brosesu fel rhyngosod, normaleiddio, trin gwerthoedd coll, ac aliniad grid yn hanfodol.
Algorithmau Dysgu Peirianyddol a Ddefnyddir yn Gyffredin
Defnyddir amrywiol algorithmau yn ôl y nod rhagfynegi: tymheredd dyddiol, siawns o law, amcangyfrifon o ddwyster glaw bob awr, neu ragfynegiadau eithafol fel corwyntoedd.
1. Atchweliad a Modelau Ystadegol Modern
Ar gyfer rhagweld newidynnau parhaus fel tymheredd neu bwysau, mae dulliau fel Atchweliad Llinol, Crib/Lasso, a Modelau Ychwanegol Cyffredinol (GAM) yn dal yn ddefnyddiol, yn enwedig pan fo angen dehongliadwyedd. Defnyddir y dulliau hyn yn aml fel llinellau sylfaen neu ar gyfer cywiriadau syml i allbwn NWP.
2. Hwb Coedwig a Graddiant Ar Hap
Mae Hwb Coedwig Ar Hap a Graddiant (e.e., XGBoost, LightGBM) yn boblogaidd mewn ôl-brosesu rhagolygon tywydd. Eu manteision yw:
– Yn gadarn yn erbyn data anlinellol,
– Yn gallu trin nifer o nodweddion,
– Cymharol sefydlog a ddim yn rhy sensitif i raddfa data.
Enghraifft o'i gymhwysiad yw rhagweld y siawns o law mewn lleoliad gyda mewnbwn ar ffurf tymheredd, lleithder, mynegai sefydlogrwydd atmosfferig, ac allbwn NWP ar yr awr berthnasol.
3. Peiriant Fector Cymorth (SVM)
Defnyddir peiriannau microdonnau (SVMs) yn aml ar gyfer dosbarthu digwyddiadau, fel "glaw" yn erbyn "dim glaw" neu ganfod stormydd. Fodd bynnag, gall SVMs fod yn ddrud o ran cyfrifiadura ar gyfer setiau data mawr iawn, felly mae eu defnydd ar hyn o bryd yn fwy cyfyngedig na dulliau dysgu dwfn neu hybu.
4. Rhwydweithiau Niwral Cylchol (RNN), LSTM, a GRU
Gan fod tywydd yn gyfres amser, defnyddir RNNs—yn enwedig LSTM/GRU—yn aml i fodelu cyfresi amser fel tymheredd bob awr, gwynt, neu lawiad. Gall y modelau hyn ddeall dibyniaethau tymor byr a thymor hir, fel patrymau dyddiol neu ddylanwad màsau aer symudol.
5. Rhwydweithiau Niwral Convolutional (CNN)
Ar gyfer data gofodol fel delweddau lloeren a radar, mae CNNs yn hynod effeithiol oherwydd gallant echdynnu patrymau gweledol, fel siâp a symudiad cymylau. Defnyddir CNNs hefyd i ragweld "mapiau" glawiad dros ardal grid benodol, yn hytrach na dim ond y gwerth mewn un pwynt.
6. Modelau Gofod-Amserol a Thrawsnewidyddion
Mae datblygiadau diweddar yn cynnwys modelau cyfosod gofod-amserol fel ConvLSTM, yn ogystal â Thrawsnewidyddion, a all ymdrin â dibyniaethau hir yn well. Mae trawsnewidyddion yn ennill tyniant mewn rhagfynegiadau tywydd oherwydd gallant ddysgu perthnasoedd cymhleth rhwng lleoliadau a thros amser, yn enwedig pan fo'r data yn fawr iawn.
7. Dysgu Peirianyddol Wedi'i Wybod gan Ffiseg
Mae dulliau hybrid sy'n cyfuno gwybodaeth ffiseg ag ML yn dod yn fwyfwy pwysig. Drwy ymgorffori cyfyngiadau ffisegol (e.e., cadwraeth màs neu ynni) yn y ffwythiant colled, mae modelau'n dod yn fwy sefydlog ac yn gadarn yn wyddonol, gan leihau'r risg o "rhagfynegiadau amhosibl".
Sut Defnyddir ML mewn Systemau Rhagfynegi Tywydd
Mae cymwysiadau ML mewn meteoroleg yn gyffredinol yn perthyn i'r categorïau canlynol:
1. Darlledu nawr yn seiliedig ar radar/lloeren
Mae ML yn rhagweld symudiad a dwyster glaw yn gyflym dros yr oriau nesaf. Mae hyn yn hanfodol ar gyfer rhybuddion llifogydd cynnar a rheoli traffig.
2. Ôl-brosesu allbwn NWP
Yn aml, mae gan fodelau ffiseg ragfarnau systematig mewn rhai rhanbarthau. Defnyddir dysgu ar lefel meistr i gywiro'r rhagfarnau hyn yn seiliedig ar ddata hanesyddol, gan arwain at gywirdeb mwy lleol.
3. Gostwng graddfa (cynyddu datrysiad)
Mae allbwn NWP byd-eang fel arfer yn fras ei gydraniad. Gall ML leihau i gydraniadau uwch sy'n addas ar gyfer graddfeydd dinas neu ardal.
4. Rhagolygon cyfunol a thebygolrwydd
Gan fod y tywydd yn llawn ansicrwydd, gall dysgu ar lefel aml-reolaeth helpu i gynhyrchu rhagfynegiadau tebygolrwydd (siawns) yn lle rhifau sengl, fel siawns o 70% o law neu ystod o dymheredd posibl.
Heriau a Chyfyngiadau
Er ei fod yn addawol, nid yw defnyddio ML mewn rhagfynegiadau tywydd heb heriau:
– Ansawdd data a rhagfarn arsylwi: mae ardaloedd sydd â nifer fach o orsafoedd tywydd yn cynhyrchu data llai cynrychioliadol.
– Newid hinsawdd ac ansefydlogrwydd: nid yw patrymau’r gorffennol bob amser yn cyd-fynd â rhai’r dyfodol, felly rhaid diweddaru modelau’n barhaus.
– Dehongliadwyedd: mae modelau cymhleth fel dysgu dwfn yn aml yn anodd eu hesbonio, er bod angen rhesymeg glir ar benderfyniadau ynghylch trychinebau.
– Cyffredinolrwydd model: efallai na fydd model sy'n gweithio'n dda mewn un rhanbarth o reidrwydd yn gweithio mewn rhanbarth arall oherwydd gwahaniaethau mewn amodau daearyddol a hinsoddol.
– Gwytnwch i ddigwyddiadau eithafol: mae data eithafol yn gymharol brin felly gall modelau ML danberfformio pan fo’r angen fwyaf.
Felly, yr arfer gorau yw defnyddio dilysu llym (croes-ddilysu dros dro), profi ar gyfnodau eithafol, a monitro perfformiad yn barhaus.
Casgliad
Mae dysgu peirianyddol wedi agor cyfleoedd sylweddol ar gyfer gwella rhagfynegiadau tywydd, yn enwedig trwy ragweld y tywydd yn gyflym, cywiro tuedd NWP, a chynyddu datrysiad rhagolygon. Gellir dewis amrywiol algorithmau—o Random Forest i CNN a Transformer—yn dibynnu ar y math o ddata ac amcanion rhagfynegi. Fodd bynnag, er mwyn cynhyrchu system ddibynadwy, rhaid i ddysgu peirianyddol gael ei ategu gan ddata o ansawdd, gwerthusiad trylwyr, ac integreiddio doeth â gwybodaeth am ffiseg atmosfferig. Yn y dyfodol, mae'n debygol y bydd dull hybrid rhwng modelau ffiseg a dysgu peirianyddol yn dod yn norm, gan ei fod yn cyfuno cryfderau'r ddau: cysondeb gwyddonol a'r gallu i ddysgu patrymau cymhleth o setiau data mawr.
Os dymunwch, gallaf hefyd wneud fersiwn o'r erthygl hon gyda strwythur gwyddonol (crynodeb–dull–canlyniadau–trafodaeth), ychwanegu dyfyniadau, neu ganolbwyntio ar enghreifftiau o weithredu yn Indonesia (BMKG, data lloeren Himawari, a radar tywydd).
