Размер:
A A A
Цвет: C C C
Изображения Вкл. Выкл.
Обычная версия сайта
В МТУСИ проанализировали разные методы прогнозирования ...

В МТУСИ проанализировали разные методы прогнозирования температур по данным штата Квинсленд

Климат на Земле постоянно меняется, что оказывает значительное влияние на жизнь людей и развитие общества. За последние 420 тысяч лет на планете произошло четыре периода похолодания, которые сменялись периодами межледниковья. Голоцен, начавшийся примерно 12 тысяч лет назад, характеризуется относительно комфортными условиями и включает в себя 13 циклов потепления и похолодания.

На сегодняшний день учёные, изучив керны льда из Гренландии и Антарктиды (озеро Восток), могут восстановить данные о климате планеты на несколько сотен тысячелетий назад. Примерно 5,5 тысяч лет назад начался голоценовый оптимум, после которого температура снизилась. С середины XIX века наблюдается тенденция к потеплению, вызванная увеличением уровня углекислого газа и антропогенным воздействием.

Изучение климата имеет огромное значение для оценки состояния окружающей среды и экономики, особенно сельского хозяйства. Современное потепление климата стало заметным всего за одно поколение и может повлиять на ресурсы и выживаемость людей. Анализ прошлых температур с использованием информационных технологий позволяет строить надежные климатические прогнозы.

В последние годы наблюдается значительный прогресс в обработке больших данных, что дает возможность использовать огромные объемы информации для более точных прогнозов и заполнять пробелы в наблюдениях. Концепция Интернета вещей (IoT) объединяет устройства для сбора данных, открывая новые горизонты для научных исследований.

Виктория Вячеславовна Ерофеева, доцент кафедры ЭБЖиЭ, Жанна Сергеевна Жукова, старший преподаватель кафедры ЭБЖиЭ и группа студентов факультета «Кибернетика и информационная безопасность» сравнили методы обработки доступных массивов данных о температуре по нескольким метеорологическим станциям штата Квинсленд (Австралия) за исторический период до 2018 года и провели контрольное прогнозирование по следующим пяти годам, а также итоговое предсказание изменения температур до 2030 года с использованием искусственного интеллекта.

Для анализа и предсказания климатических изменений в данном исследовании был выбран штат Квинсленд, Австралия, с множеством метеорологических станций и длинными температурными рядами. Использовались данные средних годовых температур по станциям, собранные в два файла: первый файл содержал данные с фактическими температурами для 236 станций за период наблюдений с 1856-2022 гг., а второй файл – данные пяти станций, находящихся в разных широтах за тот же период.

Для прогнозирования температуры из первого файла применялись такие методы, как k-nearest neighbors (KNN), Linear Regression (линейная регрессия) и seasonal autoregressive integrated moving average (SARIMA), без использования случайного разброса.

Для наглядной демонстрации работы из множества станций было выбрано девять с длинными рядами наблюдений. Более подробное сравнение изменчивости температуры из второго файла было проведено с использованием метода «случайного леса» (Random Forest Regressor) для пяти станций. С его помощью можно сравнить максимальные и минимальные прогнозируемые температуры с реальными значениями. Методы оценивались на основе средней квадратичной ошибки (MSE).

«Точность прогноза для станций из второго файла была рассчитана для двух прогонов, поскольку при прогнозировании использовался случайный разброс с использованием метода случайного леса. Каждый прогон программы выдает новые значения, основанные на тех, которые доступны в файле №2. В итоге были получены предсказания, учитывающие случайные величины, различные (но не значительно) для каждого прогона программы. Точность была рассчитана путем сравнения прогнозируемых температур для двух прогонов с фактическими температурами из первого файла. В результате сравнения различных методов при прогнозировании random forest regressor показал, что данный метод прогнозирует значения температур с точностью не ниже 96 %, а самая маленькая среднеквадратичная ошибка высчитывается в методе k-nearest neighbors(KNN): 0,175. На основе random forest regressor мы провели прогнозирование по пяти станциям до 2030 года», — отметила Виктория Вячеславовна Ерофеева.

В процессе исследования было отмечено, что точность прогнозов зависит от размера исходного набора данных и количества гиперпараметров, таких как глубина деревьев в случайном лесу, скорость обучения при градиентном ускорении, коэффициент регуляризации в линейных моделях, количество соседей в методе k ближайших соседей и различные показатели, используемые для оценки модели.

«Сравнение температур на пяти станциях для первого файла методом регрессии случайного леса показало, что самые большие максимальные и минимальные температуры прогнозируются на станциях Вейпа и Аэропорт Локхарт, а самые маленькие — на станциях Амберли и Аплторп», — рассказала Жанна Сергеевна Жукова.

Важным аспектом исследования является использование машинного обучения и больших данных для прогнозирования будущих температурных режимов, обеспечивая более полное понимание сложных процессов, происходящих в атмосфере.

Полученные результаты могут служить основой для развития прогностических моделей, учитывающих как глобальные тренды, так и локальные особенности климатической динамики.

Более детализированные данные о будущих температурных изменениях могут быть использованы для улучшения сельскохозяйственных практик, урбанистического планирования и экологического проектирования в условиях изменения климата.

Другие новости

Наш сайт использует файлы cookie.

Мы не идентифицируем вас, а улучшаем работу сайта. Оставаясь, вы даёте согласие на обработку файлов cookie.

Спасибо за обращение,
Ваш запрос был успешно отправлен!

Форма записи

Спасибо за обращение!
В скором времени мы свяжемся с вами.