Ученые НГТУ НЭТИ разработали нейросетевой алгоритм для более точного прогноза погоды

В Новосибирском государственном техническом университете НЭТИ разработали алгоритм построения метеорологических прогнозных моделей с использованием нейросетей для повышения эффективности прогнозирования погоды.

Промышленность, сельское хозяйство, городское планирование, туризм и многие другие отрасли требуют точной и актуальной информации о погодных условиях, климатических изменениях и состоянии окружающей среды. Она основывается главным образом на наблюдениях и данных, полученных с метеорологических станций, спутников, датчиков и других устройств. Тем не менее существующие подходы имеют свои ограничения из-за большого объема данных, сложности их обработки и ограничений в пространстве и времени.

Как отмечает доцент кафедры электротехнических комплексов НГТУ НЭТИ кандидат технических наук Борис Малозёмов, благодаря развитию нейронных сетей и машинного обучения стали возможны новые подходы к анализу и прогнозированию погоды. Нейронные сети могут обрабатывать большие объемы данных, способны учитывать сложные взаимодействия между различными факторами, такими как температура, атмосферное давление, влажность и ветер, что позволяет получать более точные прогнозы погоды на короткие и длительные периоды времени.

Ученые НГТУ НЭТИ предложили использовать метод группировки нейронных сетей, при котором несколько независимых нейросетей обучаются выполнению одной и той же задачи с целью повышения качества прогнозирования. Важно тщательно подбирать их структуру и параметры и обучать на достаточном количестве разнообразных данных для достижения хороших результатов. Эти наборы данных должны включать информацию о прошлых погодных явлениях, а также данные, собранные в режиме реального времени.

«Одним из способов применения группировки нейронных сетей для прогнозирования погоды является использование метода разбивки на пакеты. В этом случае нейронные сети обучаются на разных подмножествах исходных данных с разными характеристиками, например, временными интервалами и географическими районами. Прогнозы от каждой из них затем объединяются для получения окончательного прогноза погоды. Этот подход позволяет учесть нюансы погодных условий в разных районах, что необходимо для планирования повседневной жизни, обеспечения сельскохозяйственных работ, строительства, эффективного управления водными, энергетическими и другими ресурсами», — рассказал Борис Малозёмов.

Важным аспектом в прогнозировании погоды является использование различных входных данных, таких как данные метеостанций, спутниковые наблюдения, географические и исторические данные. Группировка нейронных сетей позволяет объединять информацию из этих источников. 

Ученый объяснил, что для достижения более высокой точности прогноза во все погодные сезоны может применяться усреднение или взвешивание вкладов каждой нейронной сети — это позволяет сглаживать возможные ошибки в отдельных моделях и учитывать различные сценарии прогноза для разных погодных сезонов. 

«Мы построили прогностическую модель с использованием метода группировки нейронных сетей, что позволило нам учесть большее количество зависимых переменных, чем у отдельных нейронных моделей, и в конечном итоге повысить точность прогнозирования. На сегодняшний день точность большинства существующих моделей прогнозирования погоды ограничена 120 часами, в то время как нам удалось увеличить этот период до 180 часов», — подчеркнул Борис Малозёмов.

Он также добавил, что данный метод может иметь потенциал для применения в других областях, требующих точного прогнозирования, таких как финансовые рынки, транспортные системы и энергетика. 

В будущем ученые планируют продолжить изучение метеорологических прогнозных моделей, чтобы не только улучшить порядок и точность входных данных, но и изменить математическую основу для построения самой модели.