די נוצן פון מאַשין לערנען אַלגערידאַמז אין וועטער פאָרויסזאָגן
וועטער פאָרויסזאָגן איז אַ קריטישער טייל פון מאָדערנעם לעבן. אינפֿאָרמאַציע וועגן רעגן, טעמפּעראַטור, ווינט און הומידיטי העלפֿט פילע סעקטאָרן מאַכן באַשלוסן: פאַרמערס באַשטימען פלאַנצן סקעדזשולז, ערליינז אָרדענען פלי רוטעס, רעגירונגען גרייטן זיך צו פֿאַר קאַטאַסטראָפע פֿאַרמינדערונג, און מענטשן פּלאַנירן זייערע טעגלעכע אַקטיוויטעטן. פֿאַר יאָרצענדליקער, האָט זיך וועטער פאָרויסזאָגן בפֿרט פֿאַרלאָזט אויף נומערישע וועטער פאָרויסזאָגן (NWP), אַן אַטמאָספֿערישער פֿיזיק מאָדעל וואָס רעכנט ענדערונגען אין לופֿט באַדינגונגען באַזירט אויף מאַטעמאַטישע גלייכונגען. אָבער, אין די לעצטע יאָרן, איז מאַשין לערנען (ML) מער און מער געניצט געוואָרן צו קאָמפּלעמענטירן און אפילו פֿאַרגיכערן דעם וועטער פאָרויסזאָגן פּראָצעס, בפֿרט צוליב זיין פֿעיִקייט צו געפֿינען מוסטערן אין גרויסע סומעס דאַטן.
פארוואס איז מאַשין לערנען באַטייַטיק פֿאַר וועטער פאָרויסזאָגן?
די אַטמאָספֿערע איז אַ זייער קאָמפּליצירטע און נישט-לינעאַרע סיסטעם. טראָץ די פֿאָרשריטן אין פֿיזיק מאָדעלן, בלייבן עטלעכע שוועריקייטן: הויכע קאָמפּיוטאַציאָנעלע רעקווייערמענץ, אומזיכערקייט אין אָבסערוואַציאָנעלע דאַטן, און די שוועריקייט פֿון מאָדעלירן קליין-מאָסשטאַביגע דערשיינונגען ווי קאָנוועקטיווע וואָלקנס אָדער לאָקאַלע רעגן. דאָס איז וווּ ML ווערט באַטייַטיק ווייַל:
1. קענען שטודירן נישט-לינעארע מוסטערן פון היסטארישע וועטער דאטן, סאטעליטן, ראדאר, און אייבערפלאך סענסארן.
2. קען מאַכן פאָרויסזאָגן שנעלער, ספּעציעל פֿאַר איצטיקע פאָרויסזאָגן (0–6 שעה) און קורץ-טערמין פאָרויסזאָגן.
3. פֿאַרבעסערן אַקיעראַסי דורך קאָריגירן פיזיק מאָדעל בייאַס, למשל אַדזשאַסטינג NWP רעזולטאַט צו רעגיאָנאַלע באדינגונגען.
4. ניצן פֿאַרשידענע דאַטן וואָס איז שווער צו אַרייַנלייגן גלייך אין פֿיזיק גלייכונגען, אַזאַ ווי מולטי-ספּעקטראַל סאַטעליט בילדער און רעגן ראַדאַר.
ML האט נישט אינגאנצן ערזעצט פיזיק מאָדעלן, נאָר דינט ווי אַן אַמפליפייער: עס פאַרגיכערט קאַמפּיוטיישאַן, פאַרגרעסערט ספּיישאַל דעטאַל, און רעדוצירט פאָרויסזאָגן ערראָרס.
דאַטן טיפּן אין ML-באַזירט וועטער פאָרויסזאָגן
דער ערפאלג פון מאַשין לערנען איז שטאַרק אָפּהענגיק פון דער קוואַליטעט און פולשטענדיקייט פון די דאַטן. אין דעם קאָנטעקסט פון מעטעאָראָלאָגיע, אָפט גענוצטע דאַטן אַרייַננעמען:
– ייבערפלאך דאַטן: טעמפּעראַטור, הומידיטי, דרוק, ווינט ריכטונג און גיכקייט פון וועטער סטאַנציעס.
– אויבערשטער אטמאספערע דאטן: ראדיאסאנדס און ווערטיקאלע טעמפעראטור/ווינט פראפיילן.
– סאַטעליט בילדער: וואָלקן אינפֿאָרמאַציע, וואָלקן שפּיץ טעמפּעראַטור, וואַסער פארע אינהאַלט, און אַנדערע פּאַראַמעטערס.
– וועטער ראַדאַר: רעגן אינטענסיטעט און שטורעם צעל באַוועגונג אין הויך רעזאָלוציע.
– NWP מאָדעל רעזולטאַט: דינט ווי נאָך אַרייַנשרייַב פֿאַר ML מאָדעלן, ספּעציעל פֿאַר נאָך-פּראַסעסינג.
– רעאַנאַליז: אַ צייטווייליק קאָנסיסטענט קאָמבינירט דאַטאַסעט פון אָבסערוואַציעס און מאָדעלן פֿאַר לאַנג-טערמין טריינינג.
די הויפּט אַרויסרופן איז אַז וועטער דאַטן זענען אָפט נישט פֿולשטענדיק, ראַשיק, און מיט פֿאַרשידענע ספּאַציאָ-טעמפּאָראַלע רעזאָלוציעס. דעריבער, פֿאָרפּראַסעסינג טריט ווי ינטערפּאָלאַציע, נאָרמאַליזאַציע, האַנדלינג פֿעלנדיקע ווערטן, און גריד אַליינמאַנט זענען קריטיש.
אָפט גענוצטע מאַשין לערנען אַלגערידאַמז
פארשידענע אַלגעריטמען ווערן גענוצט לויטן פּראָגנאָז ציל: טעגלעכע טעמפּעראַטור, שאַנס פֿאַר רעגן, שעהלעכע רעגן אינטענסיטעט שאַצונגען, אָדער עקסטרעמע פּראָגנאָזן ווי הוראַגאַנען.
1. רעגרעסיע און מאָדערנע סטאַטיסטישע מאָדעלן
פארן פאראויסזאגן קאנטינעווירלעכע וועריאַבלען ווי טעמפעראטור אדער דרוק, זענען מעטאָדן ווי לינעאַר רעגרעסיע, רידזש/לאַסאָ, און דזשענעראַליזירטע אַדיטיווע מאָדעלן (GAM) נאָך נוצלעך, ספּעציעל ווען אינטערפּרעטאַביליטי איז פארלאנגט. די מעטאָדן ווערן אָפט גענוצט ווי באַזעלינעס אדער פאר פּשוטע קערעקשאַנז צו NWP רעזולטאַט.
2. ראַנדאָם וואַלד און גראַדיענט בוסטינג
ראַנדאָם וואַלד און גראַדיענט בוסטינג (למשל, XGBoost, LightGBM) זענען פאָלקס אין וועטער פאָרויסזאָגן נאָך-פּראַסעסינג. זייערע אַדוואַנידזשיז זענען:
– שטאַרק קעגן נישט-לינעאַרע דאַטן,
- טויגעוודיק צו האַנדלען מיט קייפל פֿונקציעס,
– רעלאַטיוו סטאַביל און נישט צו סענסיטיוו צו דאַטן וואָג.
א ביישפּיל פון איר אַפּליקאַציע איז פאָרויסזאָגן די שאַנס פון רעגן אין אַ אָרט מיט אינפוט אין דער פאָרעם פון טעמפּעראַטור, הומידיטי, אַטמאָספערישן סטאַביליטעט אינדעקס, און NWP אַוטפּוט אין דער באַטייַטיק שעה.
3. שטיצן וועקטאָר מאַשין (סוום)
SVMs ווערן אָפט גענוצט פֿאַר קלאַסיפֿיקאַציע פֿון געשעענישן, ווי "רעגן" קעגן "נישט רעגן" אָדער שטורעם דעטעקציע. אָבער, SVMs קענען זיין קאָמפּיוטיישאַנאַל טייַער פֿאַר זייער גרויסע דאַטאַסעץ, אַזוי זייער נוצן איז איצט מער באַגרענעצט ווי בוסטינג אָדער טיף לערנען מעטאָדן.
4. רעקערענט נעוראַל נעטוואָרקס (RNN), LSTM, און GRU
ווייל וועטער איז צייט-סעריעס, ווערן RNNs—ספּעציעל LSTM/GRU—אָפט געניצט צו מאָדעלירן צייט סעריעס ווי שעהלעכע טעמפּעראַטור, ווינט, אדער רעגן. די מאָדעלן קענען פֿאַרשטיין ביידע קורץ-טערמין און לאַנג-טערמין אָפּהענגיקייטן, ווי טעגלעכע מוסטערן אדער דעם איינפלוס פון באַוועגלעכע לופט מאַסן.
5. קאָנוואַלוציאָנעלע נעוראַל נעטוואָרקס (CNN)
פֿאַר ספּיישאַל דאַטן ווי סאַטעליט און ראַדאַר בילדער, זענען CNNs זייער עפעקטיוו ווייַל זיי קענען עקסטראַקט וויזואַל פּאַטערנז, ווי וואָלקן פאָרעם און באַוועגונג. CNNs ווערן אויך געניצט צו פאָרויסזאָגן רעגן "מאַפּס" איבער אַ ספּעציפֿיש גריד געגנט, אַנשטאָט נאָר די ווערט אין אַ איין פונט.
6. ספּאַציאָ-טעמפּאָראַלע מאָדעלן און טראַנספאָרמאַטאָרן
לעצטע אַנטוויקלונגען אַרייַננעמען ספּאַציאָ-טעמפּאָראַל קאָנקאַטעניישאַן מאָדעלן ווי ConvLSTM, ווי אויך טראַנספאָרמערס, וואָס קענען בעסער שעפּן לאַנגע דיפּענדאַנסיז. טראַנספאָרמערס געווינען טראַקשאַן אין וועטער פאָרויסזאָגן ווייַל זיי קענען לערנען קאָמפּלעקס באַציאונגען צווישן לאָוקיישאַנז און איבער צייט, ספּעציעל ווען די דאַטן זענען זייער גרויס.
7. פיזיק-אינפֿאָרמירטע מאַשין לערנען
כייבריד צוגאַנגען וואָס קאָמבינירן פיזיק וויסן מיט מאַשינען לערנען ווערן וויכטיקער. דורך איינפירן פיזישע באַגרענעצונגען (למשל, קאָנסערוואַציע פון מאַסע אָדער ענערגיע) אין די אָנווער פונקציע, ווערן מאָדעלן מער סטאַביל און וויסנשאַפטלעך געזונט, וואָס רעדוצירט דעם ריזיקירן פון "אוממעגלעכע פאָרויסזאָגן".
ווי ML ווערט גענוצט אין וועטער פאָרויסזאָגן סיסטעמען
די אַפּליקאַציעס פון ML אין מעטעאָראָלאָגיע פאַלן בכלל אין די פאלגענדע קאַטעגאָריעס:
1. ראַדאַר/סאַטעליט באַזירט איצט-קאַסטינג
ML פאָרויסזאָגט שנעל רעגן באַוועגונג און אינטענסיטעט איבער די קומענדיקע עטלעכע שעה. דאָס איז קריטיש פֿאַר פריע וואָרענונגען וועגן מבול און פֿאַרקער פאַרוואַלטונג.
2. נאך-פארארבעטונג פון NWP רעזולטאט
פיזיק מאָדעלן האָבן אָפט סיסטעמאַטישע בייאַסיז אין געוויסע געגנטן. מאַשינען לערנען ווערט גענוצט צו קאָריגירן די בייאַסיז באַזירט אויף היסטאָרישע דאַטן, וואָס רעזולטירט אין מער לאָקאַליזירטע אַקיעראַסי.
3. דאַונסקאַלינג (רעזאָלוציע פאַרגרעסערונג)
גלאבאלע NWP אויסגאבע איז טיפיש גראָב-רעזאָלוציע. ML קען אַראָפּגיין צו העכערע רעזאָלוציעס פּאַסיק פֿאַר שטאָט אָדער דיסטריקט וואָג.
4. ענסעמבל און פּראָבאַביליסטישע פאָרויסזאָגן
ווייל וועטער איז פול מיט אומזיכערקייט, קען מאביל-מאשין העלפן שאפן פראבאביליסטישע (געלעגנהייט) פאראויסזאגונגען אנשטאט איינציקע נומערן, ווי למשל א 70% שאנס פון רעגן אדער א קייט פון מעגלעכע טעמפעראטורן.
שוועריקייטן און באגרענעצונגען
כאָטש עס איז פילפאַרשפּרעכנדיק, איז די נוצן פון ML אין וועטער פאָרויסזאָגן נישט אָן שוועריקייטן:
– דאַטן קוואַליטעט און אָבסערוואַציע בייאַס: געביטן מיט ווייניק וועטער סטאַנציעס פּראָדוצירן ווייניקער רעפּרעזענטאַטיווע דאַטן.
– קלימאַט ענדערונג און נישט-סטאַציאָנאַריטעט: פאַרגאַנגענע מוסטערן שטימען נישט שטענדיק מיט צוקונפֿטיקע, אַזוי מאָדעלן מוזן קעסיידער דערהייַנטיקט ווערן.
– אינטערפּרעטאַביליטי: קאָמפּלעקסע מאָדעלן ווי טיף לערנען זענען אָפט שווער צו דערקלערן, אפילו כאָטש קאַטאַסטראָפע באַשלוסן דאַרפן קלאָרע באַגרינדונג.
– מאָדעל אַלגעמײַנקייט: אַ מאָדעל וואָס אַרבעט גוט אין איין ראַיאָן אַרבעט נישט שטענדיק אין אַן אַנדער ראַיאָן צוליב אונטערשיידן אין געאָגראַפֿישע און קלימאַטישע באַדינגונגען.
– ווידערשטאנדסקראפט צו עקסטרעמע געשעענישן: עקסטרעמע דאטן איז רעלאַטיוו זעלטן, אַזוי קענען ML מאָדעלן נישט פונקציאָנירן גוט ווען זיי זענען מערסטנס נויטיק.
דעריבער, די בעסטע פּראַקטיק איז צו נוצן שטרענגע וואַלידאַציע (טעמפּאָראַל קראָס-וואַלידאַציע), טעסטינג אין עקסטרעמע פּעריאָדן, און קעסיידערדיקע פאָרשטעלונג מאָניטאָרינג.
קעסימפּולאַן
מאַשין לערנען האט געעפנט באַדייטנדיקע געלעגנהייטן צו פֿאַרבעסערן וועטער פאָרויסזאָגן, ספּעציעל דורך שנעלע איצטיקע פאָרויסזאָגן, NWP בייאַס קערעקשאַן, און געוואקסענע פאָרויסזאָגן רעזאָלוציע. פֿאַרשידענע אַלגעריטמען - פֿון ראַנדאָם פאָרעסט ביז CNN און טראַנספאָרמער - קענען אויסגעקליבן ווערן דיפּענדינג אויף די דאַטן טיפּ און פאָרויסזאָגן צילן. אָבער, צו פּראָדוצירן אַ פאַרלאָזלעך סיסטעם, מוז מאַשין לערנען זיין אונטערגעשטיצט דורך קוואַליטעט דאַטן, שטרענגע עוואַלואַציע, און קלוגע אינטעגראַציע מיט וויסן פון אַטמאָספערישע פיזיק. אין דער צוקונפֿט, אַ כייבריד צוגאַנג צווישן פיזיק מאָדעלס און מאַשין לערנען איז מסתּמא צו ווערן די נאָרמע, ווייַל עס קאַמביינז די שטאַרקייטן פון ביידע: וויסנשאַפטלעכע קאָנסיסטענסי און די פיייקייט צו לערנען קאָמפּלעקס פּאַטערנז פון גרויסע דאַטן סעץ.
אויב איר ווילט, קען איך אויך מאַכן אַ ווערסיע פֿון דעם אַרטיקל מיט אַ וויסנשאַפטלעכער סטרוקטור (אַבסטראַקט-מעטאָד-רעזולטאַטן-דיסקוסיע), צולייגן ציטאַטן, אָדער זיך קאָנצענטרירן אויף ביישפּילן פֿון אימפּלעמענטאַציע אין אינדאָנעזיע (BMKG, הימאַוואַרי סאַטעליט דאַטן, און וועטער ראַדאַר).
