Цаг агаарын урьдчилсан мэдээнд машин сургалтын алгоритмыг ашиглах нь
Цаг агаарын урьдчилсан мэдээ нь орчин үеийн амьдралын чухал хэсэг юм. Хур тунадас, температур, салхи, чийгшлийн талаарх мэдээлэл нь олон салбарт шийдвэр гаргахад тусалдаг: фермерүүд тариалалтын хуваарийг тогтоодог, агаарын тээврийн компаниуд нислэгийн маршрутыг зохицуулдаг, засгийн газрууд гамшгийн хор хөнөөлийг бууруулахад бэлтгэдэг, хүмүүс өдөр тутмын үйл ажиллагаагаа төлөвлөдөг. Хэдэн арван жилийн турш цаг агаарын урьдчилсан мэдээ нь голчлон математикийн тэгшитгэл дээр үндэслэн агаарын нөхцлийн өөрчлөлтийг тооцдог агаар мандлын физикийн загвар болох Тоон Цаг агаарын Урьдчилсан Таамаглал (NWP)-д тулгуурлаж ирсэн. Гэсэн хэдий ч сүүлийн жилүүдэд машин сургалт (ML) нь цаг агаарын урьдчилсан мэдээний үйл явцыг нөхөж, тэр ч байтугай хурдасгахад улам бүр ашиглагдаж байгаа бөгөөд энэ нь голчлон их хэмжээний өгөгдөл дэх хэв маягийг олох чадвартай холбоотой юм.
Машин сургалт нь цаг агаарын урьдчилсан мэдээнд яагаад хамааралтай вэ?
Агаар мандал нь маш нарийн төвөгтэй, шугаман бус систем юм. Физикийн загваруудад гарсан дэвшил гарсан ч хэд хэдэн бэрхшээл хэвээр байна: өндөр тооцооллын шаардлага, ажиглалтын өгөгдлийн тодорхойгүй байдал, конвектив үүл эсвэл орон нутгийн хур тунадас зэрэг жижиг хэмжээний үзэгдлийг загварчлахад бэрхшээлтэй байдал. Энэ бол ML-ийн ач холбогдолтой зүйл юм, учир нь:
1. Түүхэн цаг агаарын мэдээлэл, хиймэл дагуул, радар болон гадаргын мэдрэгчээс шугаман бус хэв маягийг судлах чадвартай.
2. Ялангуяа одоо цаг үеийн хэрэгцээ (0–6 цаг) болон богино хугацааны урьдчилсан мэдээний хувьд таамаглалыг илүү хурдан гаргаж чадна.
3. Физикийн загварын алдааг засах замаар нарийвчлалыг сайжруулах, жишээлбэл, NWP гаралтыг бүс нутгийн нөхцөлд тохируулах.
4. Олон спектрийн хиймэл дагуулын зураг, хур тунадасны радар гэх мэт физикийн тэгшитгэлд шууд оруулахад хэцүү олон төрлийн өгөгдлийг ашиглах.
Машины технологи нь физикийн загваруудыг бүрэн орлоогүй ч өсгөгч болж ажилладаг: тооцооллыг хурдасгах, орон зайн нарийвчлалыг нэмэгдүүлэх, таамаглалын алдааг бууруулах.
ML дээр суурилсан цаг агаарын урьдчилсан мэдээний өгөгдлийн төрлүүд
Машин сургалтын амжилт нь өгөгдлийн чанар, бүрэн байдлаас ихээхэн хамаардаг. Цаг уурын хүрээнд түгээмэл хэрэглэгддэг өгөгдөлд дараахь зүйлс орно.
– Гадаргуугийн өгөгдөл: цаг уурын станцуудаас авсан температур, чийгшил, даралт, салхины чиглэл болон хурд.
– Дээд агаар мандлын өгөгдөл: радиозонд ба босоо температур/салхины профайлууд.
– Хиймэл дагуулын зураг: үүлний мэдээлэл, үүлний дээд хэсгийн температур, усны уурын агууламж болон бусад үзүүлэлтүүд.
- Цаг агаарын радар: өндөр нарийвчлалтай борооны эрчим ба шуурганы эсийн хөдөлгөөн.
– NWP загварын гаралт: ML загваруудад, ялангуяа дараах боловсруулалтын хувьд нэмэлт оролт болж үйлчилдэг.
– Дахин дүн шинжилгээ: урт хугацааны сургалтад зориулсан ажиглалт болон загваруудын цаг хугацааны хувьд тогтвортой хосолсон өгөгдлийн багц.
Гол бэрхшээл нь цаг агаарын өгөгдөл нь ихэвчлэн дутуу, шуугиантай, орон зай-цаг хугацааны хувьд харилцан адилгүй байдагт оршино. Тиймээс интерполяци, хэвийн болгох, дутуу утгуудыг зохицуулах, сүлжээний тохируулга зэрэг урьдчилсан боловсруулалтын алхмууд маш чухал юм.
Түгээмэл хэрэглэгддэг машин сургалтын алгоритмууд
Урьдчилан таамаглах зорилгын дагуу янз бүрийн алгоритмуудыг ашигладаг: өдөр тутмын температур, бороо орох магадлал, цаг тутмын хур тунадасны эрчмийн тооцоо, эсвэл хар салхи гэх мэт хэт туйлын урьдчилсан мэдээ.
1. Регресс ба орчин үеийн статистикийн загварууд
Температур эсвэл даралт зэрэг тасралтгүй хувьсагчдыг урьдчилан таамаглахын тулд Шугаман регресс, Ридж/Лассо, Ерөнхий нэмэлт загварууд (GAM) зэрэг аргууд нь ялангуяа тайлбарлах чадвар шаардлагатай үед ашигтай хэвээр байна. Эдгээр аргуудыг ихэвчлэн суурь шугам болгон эсвэл NWP гаралтыг энгийн залруулахад ашигладаг.
2. Санамсаргүй ой ба градиентийн өдөөлт
Random Forest болон Gradient Boosting (жишээ нь, XGBoost, LightGBM) нь цаг агаарын урьдчилсан мэдээний дараах боловсруулалтад түгээмэл хэрэглэгддэг. Тэдний давуу талууд нь:
– Шугаман бус өгөгдлийн эсрэг бат бөх,
- Олон функцийг зохицуулах чадвартай,
– Харьцангуй тогтвортой бөгөөд өгөгдлийн хэмжээнд хэт мэдрэг биш.
Үүний хэрэглээний нэг жишээ бол тухайн цагт температур, чийгшил, агаар мандлын тогтвортой байдлын индекс, NWP гаралтын хэлбэрээр оролт ашиглан тухайн газарт бороо орох магадлалыг урьдчилан таамаглах явдал юм.
3. Дэмжлэгийн Вектор Машин (SVM)
SVM-үүдийг ихэвчлэн "бороо" ба "бороо биш" гэсэн хоёр аргаар эсвэл шуурга илрүүлэх гэх мэт үйл явдлыг ангилахад ашигладаг. Гэсэн хэдий ч SVM нь маш том өгөгдлийн багцын хувьд тооцооллын хувьд үнэтэй байж болох тул тэдгээрийн хэрэглээ одоогоор өргөжүүлэх эсвэл гүнзгий сургалтын аргуудаас илүү хязгаарлагдмал байна.
4. Давтагдах мэдрэлийн сүлжээ (RNN), LSTM болон GRU
Цаг агаар нь цагийн цуваа учраас RNN-үүд, ялангуяа LSTM/GRU-г цагийн температур, салхи, хур тунадас зэрэг цагийн цувааг загварчлахад ихэвчлэн ашигладаг. Эдгээр загварууд нь өдөр тутмын хэв маяг эсвэл хөдөлж буй агаарын массын нөлөө зэрэг богино болон урт хугацааны хамаарлыг хоёуланг нь ойлгож чаддаг.
5. Эргэлт мэдрэлийн сүлжээ (CNN)
Хиймэл дагуулын болон радарын зураглал зэрэг орон зайн өгөгдлийн хувьд CNN нь үүлний хэлбэр, хөдөлгөөн зэрэг харааны хэв маягийг гаргаж авах боломжтой тул маш үр дүнтэй байдаг. CNN-ийг зөвхөн нэг цэг дээрх утгыг бус харин тодорхой сүлжээний талбай дээрх хур тунадасны "газрын зураг"-ыг урьдчилан таамаглахад ашигладаг.
6. Орон зай-цаг хугацааны загварууд ба трансформаторууд
Сүүлийн үеийн хөгжилд ConvLSTM зэрэг орон зайн-цаг хугацааны нэгтгэлийн загварууд, мөн урт хугацааны хамаарлыг илүү сайн зохицуулж чаддаг Трансформерууд багтаж байна. Трансформерууд нь байршил болон цаг хугацааны хоорондын нарийн төвөгтэй харилцааг, ялангуяа өгөгдөл маш том үед сурч чаддаг тул цаг агаарын урьдчилсан мэдээнд улам бүр түгээмэл болж байна.
7. Физикийн мэдээлэлд суурилсан машин сургалт
Физикийн мэдлэгийг математикийн хичээлтэй хослуулсан эрлийз аргууд улам бүр чухал болж байна. Физик хязгаарлалтыг (жишээлбэл, масс эсвэл энерги хадгалах) алдагдлын функцэд оруулснаар загварууд илүү тогтвортой, шинжлэх ухааны үндэслэлтэй болж, "боломжгүй таамаглал"-ын эрсдлийг бууруулдаг.
Цаг агаарын урьдчилсан мэдээний системд ML-ийг хэрхэн ашигладаг вэ?
Цаг уур судлалд ML-ийн хэрэглээг ерөнхийдөө дараах ангилалд хуваадаг.
1. Радар/хиймэл дагуулд суурилсан одоо дамжуулалт
ML нь дараагийн хэдэн цагийн турш борооны хөдөлгөөн болон эрчимийг хурдан урьдчилан таамагладаг. Энэ нь үерийн эрт үеийн сэрэмжлүүлэг болон замын хөдөлгөөний менежментэд чухал ач холбогдолтой.
2. NWP гаралтыг дараах боловсруулалт
Физикийн загварууд нь тодорхой бүс нутгуудад системчилсэн гажуудалтай байдаг. ML-ийг түүхэн өгөгдөл дээр үндэслэн эдгээр гажуудлыг засахад ашигладаг бөгөөд энэ нь илүү орон нутгийн нарийвчлалыг бий болгодог.
3. Дэлгэрэнгүй мэдээллийг багасгах (нягтралын өсөлт)
Дэлхийн NWP гаралт нь ерөнхийдөө бүдүүн нягтралтай байдаг. ML нь хот эсвэл дүүргийн хэмжээнд тохиромжтой өндөр нягтрал руу масштабыг бууруулж болно.
4. Хамтарсан болон магадлалын урьдчилсан мэдээ
Цаг агаар тодорхойгүй байдлаар дүүрэн байдаг тул ML нь бороо орох магадлал 70% эсвэл температурын хэлбэлзэл гэх мэт ганц тоонуудын оронд магадлалын (боломжийн) таамаглал гаргахад тусалдаг.
Сорилтууд ба хязгаарлалтууд
Цаг агаарын урьдчилсан мэдээнд машин механизмыг ашиглах нь ирээдүйтэй боловч бэрхшээлгүй биш юм.
– Өгөгдлийн чанар ба ажиглалтын хэвийсэн байдал: цаг уурын станц цөөнтэй газрууд төлөөлөл багатай өгөгдөл гаргадаг.
– Уур амьсгалын өөрчлөлт ба тогтворгүй байдал: өнгөрсөн үеийн хэв маяг нь ирээдүйн хэв маягтай үргэлж таардаггүй тул загваруудыг байнга шинэчилж байх шаардлагатай.
– Тайлбарлах чадвар: гамшгийн шийдвэрүүд тодорхой үндэслэл шаарддаг ч гүнзгий суралцах гэх мэт нарийн төвөгтэй загваруудыг тайлбарлахад хэцүү байдаг.
– Загварын ерөнхий байдал: газарзүйн болон цаг уурын нөхцөл байдлын ялгаанаас шалтгаалан нэг бүс нутагт сайн ажилладаг загвар нь өөр бүс нутагт заавал ажиллахгүй байж болно.
– Онцгой үйл явдалд тэсвэртэй байдал: онцгой өгөгдөл харьцангуй хомс тул машин механизмын загварууд хамгийн шаардлагатай үед дутуу гүйцэтгэлтэй байж болно.
Тиймээс хамгийн сайн туршлага бол хатуу баталгаажуулалт (түр зуурын хөндлөн баталгаажуулалт), онцгой үед туршилт хийх, гүйцэтгэлийн тасралтгүй хяналтыг ашиглах явдал юм.
Дүгнэлт
Машин сургалт нь цаг агаарын урьдчилсан мэдээг сайжруулах, ялангуяа хурдан nowcasting, NWP-ийн алдааны залруулга, урьдчилсан мэдээний нягтралыг нэмэгдүүлэх замаар ихээхэн боломжийг нээж өгсөн. Өгөгдлийн төрөл болон урьдчилсан мэдээний зорилгоос хамааран Random Forest-оос CNN, Transformer хүртэл янз бүрийн алгоритмуудыг сонгож болно. Гэсэн хэдий ч найдвартай системийг бий болгохын тулд ML нь чанартай өгөгдөл, нарийн үнэлгээ, агаар мандлын физикийн мэдлэгтэй ухаалгаар нэгтгэх ёстой. Ирээдүйд физикийн загварууд болон ML-ийн хоорондох эрлийз арга нь шинжлэх ухааны тогтвортой байдал болон том өгөгдлийн багцаас нарийн төвөгтэй хэв маягийг сурах чадвар гэсэн хоёр давуу талыг хослуулсан тул норм болох магадлалтай.
Хэрэв та хүсвэл би энэ өгүүллийн шинжлэх ухааны бүтэцтэй хувилбарыг (товчлол-арга-үр дүн-хэлэлцүүлэг) хийж, ишлэл нэмж оруулах эсвэл Индонезид хэрэгжүүлсэн жишээнүүдэд (BMKG, Химавари хиймэл дагуулын өгөгдөл, цаг агаарын радар) анхаарлаа хандуулж болно.
