Kushandiswa kweMachine Learning Algorithms mukufanotaura mamiriro ekunze
Kufanotaura mamiriro ekunze chinhu chakakosha muhupenyu hwemazuva ano. Ruzivo nezvemvura, tembiricha, mhepo, uye hunyoro runobatsira makambani mazhinji kuita sarudzo: varimi vanosarudza nguva yekudyara, ndege dzinoronga nzira dzendege, hurumende dzinogadzirira kuderedza njodzi, uye vanhu vanoronga mabasa avo ezuva nezuva. Kwemakumi emakore, kufanotaura mamiriro ekunze kwave kuchinyanya kuvimba neNumerical Weather Prediction (NWP), modhi yefizikisi yemumhepo inoverenga shanduko mumamiriro ekunze zvichibva pamatanho emasvomhu. Zvisinei, mumakore achangopfuura, kudzidza kwemuchina (ML) kwave kushandiswa zvakanyanya kuwedzera uye kutokurumidzisa maitiro ekufanotaura mamiriro ekunze, kunyanya nekuda kwekukwanisa kwayo kuwana mapatani muhuwandu hwakawanda hwedata.
Sei Kudzidza Kwemuchina Kwakakosha Pakufanotaura Kwemamiriro Ekunze?
Mhepo inotenderera ine hurongwa hwakaoma zvikuru uye husina kurongeka. Pasinei nekufambira mberi mumienzaniso yefizikisi, matambudziko akati wandei achiripo: zvinodiwa zvakanyanya pakuverenga, kusava nechokwadi mudata rekutarisa, uye kuoma kwekuita maekisesaizi madiki akadai semakore anotenderera kana mvura inonaya munharaunda. Apa ndipo panonyanya kukosha ML nekuti:
1. Kukwanisa kudzidza mapatani asina kurongeka kubva kudata remamiriro ekunze ekare, masetiraiti, radar, uye sensors dzepamusoro.
2. Inogona kuita fungidziro nekukurumidza, kunyanya kune zvinodiwa zve nowcasting (maawa 0–6) uye fungidziro dzenguva pfupi.
3. Kuvandudza kururama kuburikidza nekugadzirisa kusarura kwemuenzaniso wefizikisi, semuenzaniso kugadzirisa kubuda kweNWP zvichienderana nemamiriro enzvimbo.
4. Kushandisa data rakasiyana-siyana rakaoma kuisa zvakananga mufizikisi, senge mifananidzo yesatellite ine maspectrum akawanda uye radar yemvura inonaya.
ML haina kutsiva zvachose mamodheru efizikisi, asi inoshanda seamplifier: kukurumidzisa kuverenga, kuwedzera ruzivo rwenzvimbo, uye kuderedza zvikanganiso zvekufanotaura.
Mhando dzeData muKufanotaura Kwemamiriro Ekunze Kwakavakirwa paML
Kubudirira kwekudzidza kwemuchina kunoenderana zvakanyanya nehunhu uye kukwana kwedata. Panyaya yemamiriro ekunze, data rinowanzoshandiswa rinosanganisira:
– Ruzivo rwepamusoro: tembiricha, hunyoro, kumanikidzwa, kutungamira kwemhepo uye kumhanya kubva kunzvimbo dzemamiriro ekunze.
– Data remhepo yepamusoro: maradiosondes uye mapurofayiri ekupisa/mhepo akamira.
- Mifananidzo yesatellite: ruzivo rwegore, tembiricha yepamusoro yegore, huwandu hwemvura inopfungaira, nezvimwe zvinhu.
- Radar yemamiriro ekunze: simba remvura uye kufamba kwemasero emhepo zvine resolution yepamusoro.
- Kubuda kwemhando yeNWP: kunoshanda sekuwedzera kwekuwedzera kune mamodheru eML, kunyanya pakugadzirisa mushure mekushandisa.
- Kuongororazve: seti yedata yakabatana yenguva dzose yezvakaonekwa uye mamodheru ekudzidzisa kwenguva refu.
Dambudziko guru nderekuti data remamiriro ekunze rinowanzova risina kukwana, rine ruzha, uye rine mhinduro dzakasiyana-siyana dzenzvimbo nenguva. Nokudaro, matanho ekutanga ekugadzirisa akadai se interpolation, normalizing, kugadzirisa kukosha kusiripo, uye grid alignment zvakakosha.
Maalgorithms Anowanzo shandiswa pakudzidza neMuchina
Maalgorithm akasiyana-siyana anoshandiswa zvichienderana nechinangwa chekufanotaura: tembiricha yezuva nezuva, mukana wemvura, fungidziro yehuwandu hwemvura inonaya paawa, kana fungidziro dzakanyanya dzakadai semadutu.
1. Kudzoreredza uye Mamodheru eStatistical emazuva ano
Pakufanotaura zvinoramba zvichiitika zvakaita sekupisa kana kumanikidzwa, nzira dzakadai seLinear Regression, Ridge/Lasso, uye Generalized Additive Models (GAM) dzichiri kubatsira, kunyanya kana zvichidikanwa kududzira. Nzira idzi dzinowanzo shandiswa senzira dzekutanga kana kugadzirisa zviri nyore kuNWP output.
2. Sango Risina Kurongwa uye Kusimudzira Gradient
Random Forest neGradient Boosting (semuenzaniso, XGBoost, LightGBM) zvinofarirwa mukugadzirisa mamiriro ekunze mushure mekufanotaura. Zvakanakira zvadzo ndeizvi:
- Yakasimba pakurwisa data risiri remutsara,
- Inokwanisa kubata zvinhu zvakawanda,
- Yakagadzikana zvishoma uye haina kunyanya kuomerera pahuwandu hwedata.
Muenzaniso wekushandiswa kwayo kufanotaura mukana wekunaya kwemvura panzvimbo ine tembiricha, hunyoro, chiyero chekugadzikana kwemhepo, uye huwandu hweNWP panguva yakakodzera.
3. Muchina wekutsigira vector (SVM)
MaSVM anowanzo shandiswa pakupatsanura zviitiko, zvakaita sekuti "mvura" kana kuti "kwete mvura" kana kuona dutu. Zvisinei, maSVM anogona kudhura zvakanyanya pamakombiyuta kune data rakakura, saka kushandiswa kwawo pari zvino kwakaganhurirwa kupfuura nzira dzekusimudzira kana dzekudzidza zvakadzama.
4. Recurrent Neural Networks (RNN), LSTM, uye GRU
Nekuti mamiriro ekunze anotevedzana nenguva, maRNN—kunyanya LSTM/GRU—anowanzo shandiswa kutevedzera nguva dzakatevedzana dzakadai sekupisa kweawa, mhepo, kana mvura inonaya. Mamodheru aya anogona kunzwisisa zvese zvinoenderana nenguva pfupi uye kwenguva refu, senge maitiro ezuva nezuva kana pesvedzero yemhepo inofamba.
5. Convolutional Neural Networks (CNN)
Panyaya dzeruzivo rwenzvimbo dzakadai sesatellite neradar imagery, maCNN anoshanda zvakanyanya nekuti anogona kuburitsa mapatani ekuona, akadai sechimiro chegore nekufamba kwaro. MaCNN anoshandiswawo kufanotaura "mamepu" emvura pamusoro penzvimbo chaiyo yegrid, pane kungoona kukosha kwenzvimbo imwe chete.
6. Mamodheru eSpatio-Temporal uye Transformers
Zvichangobva kuitika zvinosanganisira mamodheru ekubatanidza nzvimbo nenguva akaita seConvLSTM, pamwe neTransformers, ayo anogona kubata zviri nani kutsamira kwenguva refu. Matransformers ari kuwana simba mukufanotaura mamiriro ekunze nekuti anogona kudzidza hukama hwakaoma pakati penzvimbo nekufamba kwenguva, kunyanya kana data racho rakakura kwazvo.
7. Kudzidza Kwemichina Kunoenderana Nefizikisi
Nzira dzakasanganiswa dzinosanganisa ruzivo rwefizikisi neML dziri kuwana kukosha. Nekuisa zvirambidzo zvemuviri (semuenzaniso, kuchengetedza huremu kana simba) mubasa rekurasikirwa, mamodheru anova akagadzikana uye akasimba mune zvesainzi, zvichideredza njodzi ye "kufanotaura kusingagoneke."
Mashandisirwo Anoitwa ML muMasisitimu Ekufanotaura Mamiriro Ekunze
Mashandisirwo eML mu meteorology anowanzo kuwira muzvikamu zvinotevera:
1. Kutumira zvinoitwa neRadar/satellite
ML inokurumidza kufanotaura kufamba kwemvura uye simba rayo mumaawa mashoma anotevera. Izvi zvakakosha pakunyevera nezvemafashamo nekukurumidza uye pakugadzirisa migwagwa.
2. Mushure mekugadzirisa zvinobuda muNWP
Mamodheru efizikisi anowanzo kuve nema "systematic biases" mune mamwe matunhu. ML inoshandiswa kugadzirisa ma "biases" aya zvichibva padata renhoroondo, zvichiita kuti pave nekunyatsorongeka kwenzvimbo.
3. Kudzikisa huwandu hwezvinhu (kuwedzera kwe resolution)
Kubuda kwepasi rose kweNWP kunowanzova kwakakora. ML inogona kudzikisa kusvika pakureba kwakakodzera zvikero zveguta kana dunhu.
4. Kufanotaura nezvezviitiko zvakawanda pamwe chete uye zvingangoitika
Nekuti mamiriro ekunze azere nekusava nechokwadi, ML inogona kubatsira kugadzira fungidziro dzezvingangoitika (dzetsaona) panzvimbo penhamba imwe chete, dzakadai semukana we70% wemvura kana tembiricha dzakasiyana-siyana.
Matambudziko Nekuganhurirwa
Kunyangwe zvichivimbisa, kushandiswa kweML mukufanotaura mamiriro ekunze hakusi kusina matambudziko:
- Hunhu hwedata uye rusaruro rwekutarisa: nzvimbo dzine nzvimbo shoma dzemamiriro ekunze dzinoburitsa ruzivo rushoma.
- Kuchinja kwemamiriro ekunze uye kusamira kwenguva refu: maitiro ekare haawanzoenderana neemangwana, saka mamodheru anofanira kugara achivandudzwa.
– Kugona kutsanangurwa: mamodheru akaomarara akadai sekudzidza kwakadzama anowanzo kuve akaoma kutsanangura, kunyangwe zvisarudzo zvenjodzi zvichida chikonzero chakajeka.
– Muenzaniso wakajairika: muenzaniso unoshanda zvakanaka munzvimbo imwe chete ungasashanda kune imwe nzvimbo nekuda kwekusiyana kwenzvimbo nemamiriro ekunze.
- Kutsungirira zviitiko zvakanyanya: data rakawandisa harisi nyore saka mamodheru eML anogona kushanda zvisina kunaka kana zvichidikanwa.
Saka, nzira yakanakisisa ndeyekushandisa strict validation (temporal cross-validation), kuyedza panguva dzakaoma, uye kuramba uchitarisa mashandiro.
Mhedziso
Kudzidza kwemuchina kwakavhura mikana mikuru yekuvandudza kufanotaura kwemamiriro ekunze, kunyanya kuburikidza nekukurumidza kuburitsa ruzivo, kugadzirisa bias yeNWP, uye kuwedzera kugadziriswa kwekufanotaura. Maitiro akasiyana-siyana—kubva kuRandom Forest kusvika kuCNN neTransformer—anogona kusarudzwa zvichienderana nerudzi rwedata uye zvinangwa zvekufanotaura. Zvisinei, kuti pave nehurongwa hwakavimbika, ML inofanira kutsigirwa nedata remhando yepamusoro, kuongororwa kwakasimba, uye kubatanidzwa kwakanaka neruzivo rwefizikisi yemuchadenga. Mune ramangwana, nzira yakasanganiswa pakati pemamodeli efizikisi neML ingangove yakajairika, sezvo ichibatanidza simba rezvose zviri zviviri: kuenderana kwesainzi uye kugona kudzidza mapatani akaoma kubva kumaseti makuru edata.
Kana muchida, ndinogonawo kugadzira chinyorwa chino chine chimiro chesainzi (pfupiso-nzira-mhedzisiro-hurukuro), kuwedzera zvirevo, kana kutarisa mienzaniso yekushandiswa muIndonesia (BMKG, data resaiti reHimawari, uye radar yemamiriro ekunze).
