ရာသီဥတုခန့်မှန်းချက်တွင် စက်သင်ယူမှု အယ်လဂိုရစ်သမ်များ အသုံးပြုခြင်း

ရာသီဥတုခန့်မှန်းချက်တွင် စက်သင်ယူမှု အယ်လဂိုရီသမ်များ အသုံးပြုခြင်း

မိုးလေဝသခန့်မှန်းခြင်းသည် ခေတ်သစ်ဘဝ၏ အရေးကြီးသော အစိတ်အပိုင်းတစ်ခုဖြစ်သည်။ မိုးရေချိန်၊ အပူချိန်၊ လေတိုက်နှုန်းနှင့် စိုထိုင်းဆဆိုင်ရာ အချက်အလက်များသည် ကဏ္ဍများစွာကို ဆုံးဖြတ်ချက်ချရာတွင် အထောက်အကူပြုသည်- လယ်သမားများသည် စိုက်ပျိုးချိန်ဇယားများကို ဆုံးဖြတ်ခြင်း၊ လေကြောင်းလိုင်းများသည် လေယာဉ်ခရီးစဉ်လမ်းကြောင်းများကို စီစဉ်ခြင်း၊ အစိုးရများသည် ဘေးအန္တရာယ်လျှော့ချရေးအတွက် ပြင်ဆင်ခြင်းနှင့် လူများသည် ၎င်းတို့၏ နေ့စဉ်လုပ်ငန်းဆောင်တာများကို စီစဉ်ခြင်းတို့ ဖြစ်သည်။ ဆယ်စုနှစ်များစွာကြာအောင် မိုးလေဝသခန့်မှန်းခြင်းသည် သင်္ချာညီမျှခြင်းများအပေါ် အခြေခံ၍ လေထုအခြေအနေများ၏ ပြောင်းလဲမှုများကို တွက်ချက်သည့် လေထုရူပဗေဒပုံစံတစ်ခုဖြစ်သည့် Numerical Weather Prediction (NWP) ကို အဓိကအားကိုးခဲ့သည်။ သို့သော် မကြာသေးမီနှစ်များအတွင်း စက်သင်ယူမှု (ML) ကို မိုးလေဝသခန့်မှန်းခြင်းလုပ်ငန်းစဉ်ကို ဖြည့်စွက်ရန်နှင့် အရှိန်မြှင့်ရန်အတွက်ပင် ပိုမိုအသုံးပြုလာခဲ့ကြပြီး အဓိကအားဖြင့် အချက်အလက်များစွာတွင် ပုံစံများကို ရှာဖွေနိုင်စွမ်းကြောင့်ဖြစ်သည်။

Machine Learning က ရာသီဥတုခန့်မှန်းချက်အတွက် ဘာကြောင့် အရေးပါတာလဲ။

လေထုသည် အလွန်ရှုပ်ထွေးပြီး မျဉ်းမတော်သောစနစ်တစ်ခုဖြစ်သည်။ ရူပဗေဒမော်ဒယ်များတွင် တိုးတက်မှုများရှိသော်လည်း၊ စိန်ခေါ်မှုများစွာရှိနေဆဲဖြစ်သည်- မြင့်မားသောတွက်ချက်မှုလိုအပ်ချက်များ၊ လေ့လာတွေ့ရှိချက်အချက်အလက်များတွင် မသေချာမှုနှင့် convective cloud များ သို့မဟုတ် ဒေသတွင်းမိုးရေချိန်ကဲ့သို့သော အသေးစားဖြစ်စဉ်များကို မော်ဒယ်လ်လုပ်ရန်ခက်ခဲမှု။ ဤနေရာတွင် ML သည် သက်ဆိုင်လာပါသည်- အဘယ်ကြောင့်ဆိုသော်

၁။ သမိုင်းဝင် ရာသီဥတုဒေတာ၊ ဂြိုဟ်တုများ၊ ရေဒါနှင့် မျက်နှာပြင် အာရုံခံကိရိယာများမှ မျဉ်းမတော်သော ပုံစံများကို လေ့လာနိုင်ရမည်။
၂။ အထူးသဖြင့် ယခုထုတ်လွှင့်မှု လိုအပ်ချက်များ (၀-၆ နာရီ) နှင့် ရေတိုခန့်မှန်းချက်များအတွက် ခန့်မှန်းချက်များကို ပိုမိုမြန်ဆန်စွာ ပြုလုပ်နိုင်သည်။
၃။ ရူပဗေဒမော်ဒယ်ဘက်လိုက်မှုကို ပြင်ဆင်ခြင်းဖြင့် တိကျမှုကို မြှင့်တင်ခြင်း၊ ဥပမာ NWP အထွက်ကို ဒေသဆိုင်ရာအခြေအနေများနှင့် ကိုက်ညီအောင် ချိန်ညှိခြင်း။
၄။ ရူပဗေဒညီမျှခြင်းထဲသို့ တိုက်ရိုက်ထည့်သွင်းရန်ခက်ခဲသော မတူညီသောဒေတာများကို အသုံးပြုခြင်း၊ ဥပမာအားဖြင့် multi-spectral satellite imagery နှင့် rainwater radar။

ML သည် ရူပဗေဒမော်ဒယ်များကို လုံးဝအစားထိုးခြင်းမဟုတ်သော်လည်း တွက်ချက်မှုကို မြန်ဆန်စေခြင်း၊ နေရာအလိုက်အသေးစိတ်အချက်အလက်များကို တိုးမြှင့်ခြင်းနှင့် ခန့်မှန်းချက်အမှားများကို လျှော့ချခြင်းတို့ကို ချဲ့ထွင်ပေးသည့်အရာအဖြစ် လုပ်ဆောင်သည်။

ML-အခြေခံ ရာသီဥတုခန့်မှန်းချက်တွင် ဒေတာအမျိုးအစားများ

စက်သင်ယူမှုရဲ့ အောင်မြင်မှုဟာ အချက်အလက်တွေရဲ့ အရည်အသွေးနဲ့ ပြည့်စုံမှုပေါ်မှာ အများကြီး မူတည်ပါတယ်။ မိုးလေဝသဗေဒနဲ့ ဆက်စပ်ပြီး အသုံးများတဲ့ အချက်အလက်တွေမှာ အောက်ပါတို့ ပါဝင်ပါတယ်-

- မျက်နှာပြင်ဒေတာ- ရာသီဥတုစခန်းများမှ အပူချိန်၊ စိုထိုင်းဆ၊ ဖိအား၊ လေတိုက်ရာဦးတည်ချက်နှင့် အမြန်နှုန်း။
– အထက်လေထုဒေတာ- ရေဒီယိုလှိုင်းများနှင့် ဒေါင်လိုက်အပူချိန်/လေတိုက်ပရိုဖိုင်များ။
– ဂြိုလ်တုပုံရိပ်များ- မိုးတိမ်အချက်အလက်၊ မိုးတိမ်ထိပ်အပူချိန်၊ ရေငွေ့ပါဝင်မှုနှင့် အခြားကန့်သတ်ချက်များ။
- ရာသီဥတုရေဒါ- မိုးရွာသွန်းမှုနှင့် မုန်တိုင်းဆဲလ်လှုပ်ရှားမှုကို မြင့်မားသော resolution ဖြင့် ပြသထားသည်။
– NWP မော်ဒယ်အထွက်- ML မော်ဒယ်များအတွက် အထူးသဖြင့် post-processing အတွက် အပိုဆောင်း input အဖြစ် ဆောင်ရွက်ပေးသည်။
– ပြန်လည်ခွဲခြမ်းစိတ်ဖြာခြင်း- ရေရှည်လေ့ကျင့်ရေးအတွက် လေ့လာတွေ့ရှိချက်များနှင့် မော်ဒယ်များ၏ အချိန်နှင့်တပြေးညီ ပေါင်းစပ်ထားသော အချက်အလက်အစုတစ်ခု။

အဓိကစိန်ခေါ်မှုမှာ ရာသီဥတုဒေတာများသည် မကြာခဏ မပြည့်စုံခြင်း၊ ဆူညံခြင်းနှင့် နေရာနှင့်အချိန်ဆိုင်ရာ ကွဲပြားသော ဆုံးဖြတ်ချက်များတွင် ရှိနေခြင်းပင်ဖြစ်သည်။ ထို့ကြောင့်၊ interpolation၊ normalization၊ ပျောက်ဆုံးနေသော တန်ဖိုးများကို ကိုင်တွယ်ခြင်းနှင့် grid alignment ကဲ့သို့သော ကြိုတင်လုပ်ဆောင်ခြင်းအဆင့်များသည် အလွန်အရေးကြီးပါသည်။

အသုံးများသော စက်သင်ယူမှု အယ်လဂိုရီသမ်များ

ခန့်မှန်းချက်ရည်မှန်းချက်အရ አዲስ အယ်လဂိုရီသမ်များကို အသုံးပြုသည်- နေ့စဉ်အပူချိန်၊ မိုးရွာသွန်းနိုင်ခြေ၊ နာရီအလိုက် မိုးရွာသွန်းမှုပြင်းထန်မှု ခန့်မှန်းချက်များ သို့မဟုတ် ဟာရီကိန်းကဲ့သို့သော အလွန်အမင်းခန့်မှန်းချက်များ။

၁။ ဆုတ်ယုတ်မှုနှင့် ခေတ်သစ်စာရင်းအင်းမော်ဒယ်များ
အပူချိန် သို့မဟုတ် ဖိအားကဲ့သို့သော စဉ်ဆက်မပြတ်ကိန်းရှင်များကို ခန့်မှန်းရန်အတွက် Linear Regression၊ Ridge/Lasso နှင့် Generalized Additive Models (GAM) ကဲ့သို့သော နည်းလမ်းများသည် အထူးသဖြင့် အဓိပ္ပာယ်ဖွင့်ဆိုနိုင်ရန်လိုအပ်သည့်အခါတွင် အသုံးဝင်ဆဲဖြစ်သည်။ ဤနည်းလမ်းများကို အခြေခံမျဉ်းများအဖြစ် သို့မဟုတ် NWP အထွက်ကို ရိုးရှင်းသောပြင်ဆင်မှုများအဖြစ် မကြာခဏအသုံးပြုကြသည်။

၂။ ကျပန်းသစ်တောနှင့် Gradient Boosting
Random Forest နှင့် Gradient Boosting (ဥပမာ XGBoost၊ LightGBM) တို့သည် ရာသီဥတုခန့်မှန်းချက် post-processing တွင် ရေပန်းစားသည်။ ၎င်းတို့၏ အားသာချက်များမှာ-
– nonlinear data များကို ခံနိုင်ရည်ရှိခြင်း၊
- လုပ်ဆောင်ချက်များစွာကို ကိုင်တွယ်နိုင်ခြင်း၊
– တည်ငြိမ်ပြီး ဒေတာစကေးအပေါ် အလွန်အမင်း ထိခိုက်လွယ်မှု မရှိပါ။

၎င်း၏အသုံးချမှု၏ ဥပမာတစ်ခုမှာ အပူချိန်၊ စိုထိုင်းဆ၊ လေထုတည်ငြိမ်မှုညွှန်းကိန်းနှင့် သက်ဆိုင်ရာနာရီတွင် NWP အထွက်တို့ပုံစံဖြင့် ထည့်သွင်းခြင်းဖြင့် နေရာတစ်ခုတွင် မိုးရွာသွန်းနိုင်ခြေကို ခန့်မှန်းခြင်းဖြစ်သည်။

၃။ Vector Machine (SVM) ကို ပံ့ပိုးပါ
SVM များကို "မိုးရွာသည်" နှင့် "မိုးမရွာသည်" သို့မဟုတ် မုန်တိုင်းရှာဖွေခြင်းကဲ့သို့သော ဖြစ်ရပ်ခွဲခြားမှုအတွက် မကြာခဏအသုံးပြုလေ့ရှိသည်။ သို့သော် SVM များသည် အလွန်ကြီးမားသောဒေတာစုများအတွက် တွက်ချက်မှုအရ စျေးကြီးနိုင်သောကြောင့် ၎င်းတို့၏အသုံးပြုမှုသည် လက်ရှိတွင် boosting သို့မဟုတ် deep learning နည်းလမ်းများထက် ပိုမိုကန့်သတ်ထားသည်။

၄။ ထပ်တလဲလဲဖြစ်ပေါ်သော အာရုံကြောကွန်ရက်များ (RNN)၊ LSTM နှင့် GRU
ရာသီဥတုသည် အချိန်စီးရီးဖြစ်သောကြောင့် RNN များ—အထူးသဖြင့် LSTM/GRU—ကို နာရီအလိုက် အပူချိန်၊ လေ သို့မဟုတ် မိုးရေချိန်ကဲ့သို့သော အချိန်စီးရီးများကို ပုံစံထုတ်ရန် မကြာခဏ အသုံးပြုလေ့ရှိသည်။ ဤပုံစံများသည် နေ့စဉ်ပုံစံများ သို့မဟုတ် ရွေ့လျားနေသော လေထုများ၏ လွှမ်းမိုးမှုကဲ့သို့သော ရေတိုနှင့် ရေရှည် မှီခိုမှုနှစ်မျိုးလုံးကို နားလည်နိုင်သည်။

၅။ ကွန်ဗူလိုဗျူရယ် အာရုံကြောကွန်ရက်များ (CNN)
ဂြိုလ်တုနှင့် ရေဒါပုံရိပ်များကဲ့သို့သော နေရာဒေသဆိုင်ရာဒေတာများအတွက် CNN များသည် အလွန်ထိရောက်မှုရှိပါသည်၊ အဘယ်ကြောင့်ဆိုသော် ၎င်းတို့သည် မိုးတိမ်ပုံသဏ္ဍာန်နှင့် ရွေ့လျားမှုကဲ့သို့သော မြင်သာသောပုံစံများကို ထုတ်ယူနိုင်သောကြောင့်ဖြစ်သည်။ CNN များကို တစ်ခုတည်းသောအမှတ်ရှိတန်ဖိုးကို ခန့်မှန်းခြင်းထက် သတ်မှတ်ထားသောဇယားကွက်ဧရိယာတစ်ခုတွင် မိုးရွာသွန်းမှု "မြေပုံများ" ကို ခန့်မှန်းရန်အတွက်လည်း အသုံးပြုကြသည်။

၆။ နေရာနှင့်အချိန်ကာလပုံစံများနှင့် ထရန်စဖော်မာများ
မကြာသေးမီက ဖွံ့ဖြိုးတိုးတက်မှုများတွင် ConvLSTM ကဲ့သို့သော spatio-temporal concatenation မော်ဒယ်များနှင့် Transformers များ ပါဝင်ပြီး ၎င်းတို့သည် ရှည်လျားသော dependencies များကို ပိုမိုကောင်းမွန်စွာ ကိုင်တွယ်နိုင်သည်။ Transformers များသည် အထူးသဖြင့် ဒေတာအလွန်ကြီးမားသည့်အခါ တည်နေရာများနှင့် အချိန်ကြာလာသည်နှင့်အမျှ ရှုပ်ထွေးသော ဆက်နွယ်မှုများကို သင်ယူနိုင်သောကြောင့် ရာသီဥတုခန့်မှန်းခြင်းတွင် ရေပန်းစားလာပါသည်။

၇။ ရူပဗေဒဆိုင်ရာ သတင်းအချက်အလက်ပေးသည့် စက်သင်ယူမှု
ရူပဗေဒဗဟုသုတနှင့် ML ပေါင်းစပ်ထားသော Hybrid ချဉ်းကပ်မှုများသည် အရေးပါမှု မြင့်တက်လာနေပါသည်။ ရုပ်ပိုင်းဆိုင်ရာ ကန့်သတ်ချက်များ (ဥပမာ၊ ဒြပ်ထု သို့မဟုတ် စွမ်းအင် ထိန်းသိမ်းခြင်း) ကို loss function တွင် ထည့်သွင်းခြင်းဖြင့် မော်ဒယ်များသည် ပိုမိုတည်ငြိမ်ပြီး သိပ္ပံနည်းကျ ခိုင်မာလာကာ “မဖြစ်နိုင်သော ခန့်မှန်းချက်များ” ၏ အန္တရာယ်ကို လျှော့ချပေးပါသည်။

ရာသီဥတုခန့်မှန်းစနစ်များတွင် ML ကို မည်သို့အသုံးပြုသည်

မိုးလေဝသဗေဒတွင် ML ၏ အသုံးချမှုများသည် ယေဘုယျအားဖြင့် အောက်ပါအမျိုးအစားများအဖြစ် ကွဲပြားသည်။

၁။ ရေဒါ/ဂြိုဟ်တုအခြေပြု nowcasting
ML သည် လာမည့်နာရီအနည်းငယ်အတွင်း မိုးရွာသွန်းမှုနှင့် ပြင်းထန်မှုကို လျင်မြန်စွာ ခန့်မှန်းပါသည်။ ၎င်းသည် ရေကြီးရေလျှံမှု သတိပေးချက်များနှင့် ယာဉ်ကြောပိတ်ဆို့မှု စီမံခန့်ခွဲမှုအတွက် အလွန်အရေးကြီးပါသည်။

၂။ NWP အထွက်ကို နောက်ဆက်တွဲလုပ်ဆောင်ခြင်း
ရူပဗေဒမော်ဒယ်များတွင် ဒေသအချို့တွင် စနစ်တကျဘက်လိုက်မှုများ ရှိလေ့ရှိသည်။ ML ကို သမိုင်းဝင်ဒေတာအပေါ်အခြေခံ၍ ဤဘက်လိုက်မှုများကို ပြင်ဆင်ရန် အသုံးပြုပြီး ပိုမိုဒေသအလိုက် တိကျမှုကို ရရှိစေပါသည်။

၃။ အရွယ်အစားလျှော့ချခြင်း (resolution တိုးမြှင့်ခြင်း)
ကမ္ဘာလုံးဆိုင်ရာ NWP အထွက်သည် ပုံမှန်အားဖြင့် ကြမ်းတမ်းသော ရုပ်ထွက်အရည်အသွေးဖြစ်သည်။ ML သည် မြို့ သို့မဟုတ် ခရိုင်စကေးများအတွက် သင့်လျော်သော ပိုမိုမြင့်မားသော ရုပ်ထွက်အရည်အသွေးများသို့ လျှော့ချနိုင်သည်။

၄။ စုပေါင်းခန့်မှန်းချက်နှင့် ဖြစ်နိုင်ခြေခန့်မှန်းချက်
ရာသီဥတုဟာ မသေချာမရေရာမှုတွေနဲ့ ပြည့်နှက်နေတာမို့ ML ဟာ မိုးရွာနိုင်ခြေ ၇၀% ဒါမှမဟုတ် အပူချိန်အမျိုးမျိုးလိုမျိုး တစ်ခုတည်းသော ဂဏန်းတွေအစား ဖြစ်နိုင်ခြေရှိတဲ့ ခန့်မှန်းချက်တွေကို ထုတ်လုပ်ပေးနိုင်ပါတယ်။

စိန်ခေါ်မှုများနှင့် ကန့်သတ်ချက်များ

အလားအလာကောင်းများရှိသော်လည်း၊ မိုးလေဝသခန့်မှန်းချက်တွင် ML ကိုအသုံးပြုခြင်းသည် စိန်ခေါ်မှုများမရှိဘဲမဟုတ်ပါ။

– ဒေတာ အရည်အသွေးနှင့် စောင့်ကြည့်လေ့လာမှု ဘက်လိုက်မှု- မိုးလေဝသစခန်း အနည်းငယ်သာရှိသော ဒေသများသည် ကိုယ်စားပြုမှု ဒေတာ နည်းပါးစွာ ထုတ်လုပ်သည်။
– ရာသီဥတုပြောင်းလဲမှုနှင့် တည်ငြိမ်မှုမရှိခြင်း- အတိတ်ကပုံစံများသည် အနာဂတ်ပုံစံများနှင့် အမြဲတမ်းကိုက်ညီမှုမရှိသောကြောင့် မော်ဒယ်များကို အဆက်မပြတ် အပ်ဒိတ်လုပ်ရမည်။
– အဓိပ္ပာယ်ဖွင့်ဆိုနိုင်မှု- ဘေးအန္တရာယ်ဆိုင်ရာ ဆုံးဖြတ်ချက်များတွင် ရှင်းလင်းသော အကြောင်းပြချက် လိုအပ်သော်လည်း deep learning ကဲ့သို့သော ရှုပ်ထွေးသော မော်ဒယ်များကို ရှင်းပြရန် မကြာခဏ ခက်ခဲလေ့ရှိသည်။
– မော်ဒယ်ယေဘုယျသဘော- ဒေသတစ်ခုတွင် ကောင်းစွာအလုပ်လုပ်သော မော်ဒယ်တစ်ခုသည် ပထဝီဝင်နှင့် ရာသီဥတုအခြေအနေများ ကွာခြားမှုကြောင့် အခြားဒေသတစ်ခုတွင် အလုပ်မလုပ်နိုင်ပါ။
– အလွန်အမင်းဖြစ်ရပ်များအပေါ် ခံနိုင်ရည်ရှိခြင်း- အလွန်အမင်းဒေတာသည် အတော်လေးရှားပါးသောကြောင့် ML မော်ဒယ်များသည် အလိုအပ်ဆုံးအချိန်တွင် စွမ်းဆောင်ရည်ညံ့ဖျင်းနိုင်သည်။

ထို့ကြောင့် အကောင်းဆုံးလုပ်ဆောင်မှုမှာ တင်းကျပ်သော အတည်ပြုခြင်း (ယာယီဖြတ်ကျော်အတည်ပြုခြင်း)၊ အလွန်အမင်းကာလများတွင် စမ်းသပ်ခြင်းနှင့် စဉ်ဆက်မပြတ်စွမ်းဆောင်ရည်စောင့်ကြည့်ခြင်းကို အသုံးပြုရန်ဖြစ်သည်။

နိဂုံး

စက်သင်ယူမှုသည် အထူးသဖြင့် အလျင်အမြန် ယခုထုတ်လွှင့်ခြင်း၊ NWP ဘက်လိုက်မှုပြင်ဆင်ခြင်းနှင့် ခန့်မှန်းချက်ဆုံးဖြတ်ချက် တိုးမြှင့်ခြင်းတို့မှတစ်ဆင့် ရာသီဥတုခန့်မှန်းချက်ကို တိုးတက်ကောင်းမွန်စေရန် သိသာထင်ရှားသော အခွင့်အလမ်းများကို ဖွင့်လှစ်ပေးခဲ့သည်။ Random Forest မှ CNN နှင့် Transformer အထိ ဒေတာအမျိုးအစားနှင့် ခန့်မှန်းချက်ရည်မှန်းချက်များပေါ် မူတည်၍ အယ်လဂိုရီသမ်အမျိုးမျိုးကို ရွေးချယ်နိုင်သည်။ သို့သော် ယုံကြည်စိတ်ချရသောစနစ်တစ်ခု ထုတ်လုပ်ရန်အတွက် ML ကို အရည်အသွေးမြင့်ဒေတာ၊ တင်းကျပ်သောအကဲဖြတ်ခြင်းနှင့် လေထုရူပဗေဒဆိုင်ရာဗဟုသုတနှင့် ဆင်ခြင်တုံတရားရှိရှိ ပေါင်းစပ်ခြင်းတို့ဖြင့် အခြေခံထားရမည်။ အနာဂတ်တွင် ရူပဗေဒမော်ဒယ်များနှင့် ML အကြား ရောနှောချဉ်းကပ်မှုသည် သိပ္ပံနည်းကျ တသမတ်တည်းရှိမှုနှင့် ကြီးမားသောဒေတာအစုံများမှ ရှုပ်ထွေးသောပုံစံများကို သင်ယူနိုင်စွမ်း နှစ်မျိုးလုံး၏ အားသာချက်များကို ပေါင်းစပ်ထားသောကြောင့် ပုံမှန်ဖြစ်လာဖွယ်ရှိသည်။

သင်အလိုရှိပါက၊ ဤဆောင်းပါး၏ သိပ္ပံနည်းကျဖွဲ့စည်းပုံ (အနှစ်ချုပ်-နည်းလမ်း-ရလဒ်-ဆွေးနွေးချက်) ဖြင့်လည်း ကျွန်ုပ်ပြုလုပ်နိုင်ပါသည်၊ ကိုးကားချက်များထည့်နိုင်သည်၊ သို့မဟုတ် အင်ဒိုနီးရှားတွင် အကောင်အထည်ဖော်မှု ဥပမာများ (BMKG၊ Himawari ဂြိုဟ်တုဒေတာနှင့် ရာသီဥတုရေဒါ) ကို အာရုံစိုက်နိုင်ပါသည်။