Применение технологий машинного обучения для реализации численного прогноза опасных конвективных явлений
“Применение технологий машинного обучения для реализации численного прогноза опасных конвективных явлений”.
В данной работе производится классификация и прогнозирование опасных конвективных явлений (грозы, дождя, ливня) при помощи методов машинного обучения (метод k ближайших соседей, модифицированный при помощи AdaBoost и введения весовых коэффициентов). Реализован прогноз опасного конвективного явления по результатам работы численной модели. Наибольшая точность получена при классификации грозы (до 99%).
В настоящее время развитие информационных технологий позволяет решать всё более сложные задачи. Одной из таких задач является моделирование состояния атмосферы с целью прогнозирования погоды. Важной задачей прогнозирования погодных явлений является предсказание опасных конвективных явлений, таких как град, шквал, обильные осадки и грозы. Эти явления не только причиняют значительный экономический ущерб, а также угрожают человеческим жизням. В первую очередь, информация о возникновении опасных конвективных явлений необходима аэропортам, авиакомпаниям и службам МЧС.
Ключевым фактором возникновения опасных атмосферных явлений являются конвективные облака. Численное моделирование является наиболее эффективным и распространённым методом изучения облаков.
В соответствии с размерностью пространства выделяют одномерные, полуторамерные, двухмерные и трехмерные модели конвективных облаков. Наиболее полно облака описывают двух- и трехмерные модели, но они требуют больших вычислительных ресурсов и использования суперкомпьютеров. Для расчетов на обычном персональном компьютере более подходящей является полуторамерная модель облака, так как она способна воспроизводить характеристики, которые достаточно полно описывают модель для обработки данных в режиме реального времени.
В данной работе используется полуторамерная нестационарная модель конвективного облака с параметризацией микрофизических процессов для расчёта параметров облака, которые могут быть использованы для прогнозирования опасных конвективных явлений. Прогноз реализуется по отобранным численным параметрам смоделированного облака с помощью методов машинного обучения.
Машинное обучение – это метод анализа данных, который позволяет искусственно созданной системе обучаться на собственном опыте и получать знания из имеющегося объема входных данных. Алгоритмы машинного обучения используют вычислительные методы для обучения непосредственно на входных данных, не полагаясь на заранее заданные уравнения. Алгоритмы машинного обучения адаптивно улучшают свои характеристики по мере увеличения количества данных, доступных для обучения.
В данной работе машинное обучение применяется для разработки и реализации алгоритма прогнозирования опасных конвективных явлений с использованием данных, полученных при моделировании конвективного облака. Таким образом, данная численная модель может быть использована для оперативного прогноза опасного конвективного явления на метеорологических станциях и в метеоцентрах.
Основная цель работы достигнута, выполнены все поставленные задачи.
Была выбрана наиболее подходящая для поставленной задачи численная модель облака, позволяющая реализовать прогнозирование с использованием методов машинного обучения в оперативном режиме.
Был разработан и реализован алгоритм обработки результатов моделирования облачной конвекции с использованием методов машинного обучения на основании полуторамерной нестационарной модели конвективного облака.
Также была реализована предварительная обработка выходных данных модели.
Реализован прогноз опасного конвективного явления по результатам работы численной модели. Наибольшая точность получена при классификации грозы.
N. Raba, E. Stankova and N. Ampilova One-and- a-half-dimensional Model of Cumulus Cloud with Two Cylinders. Research of Influence of Compensating Descending Flow on Development of Cloud. // Proceedings of the 5th International Conference “Dynamical Systems and Applications” Ovidius University Annals Series: Civil Engineering Volume 1, Special Issue 11, June 2009, pp.93-101
Довгалюк Ю.А. Использование полуторамерной модели для решения фундаментальных и прикладных задач физики облаков/ Довгалюк Ю.А., Веремей Н.Е., Синькевич А.А. – СПб.: Астерион, 2007. – 161 с. 18
Станкова Е.Н., Петров Д.А. Комплексная информационная система, предназначенная для формирования входных данных моделей конвективных облаков // Вестник Санкт-Петербургского университета. Прикладная математика. Информатика. Процессы управления. Серия 10. 2015 Выпуск 3. Стр. 83-95
Матвеев Л. Т. Курс общей метеорологии. Физика атмосферы. Издание второе, переработанное и дополненное. – Л.: Гидрометеоиздат, 1984. – 751 с.
А.В. Назаренко. Опасные природные явления. Часть 3. Опасные явления погоды конвективного происхождения. Изд-во ВГУ, 2008. 4-7 с.
Толстых М.А. Глобальные модели атмосферы: современное состояние и перспективы развития. Труды Гидрометцентра России. 2016;(359):5-32.
ECMWF. Документация Европейского центра среднесрочных прогнозов погоды. [Электронный ресурс]
Использование Unified Model. Met Office. [Электронный ресурс] https://www.metoffice.gov.uk/research/modelling-systems/unified-model
Компания Яндекс. Как Яндекс прогнозирует погоду. [Электронный ресурс] https://yandex.ru/company/technologies/meteum/
Fukunaga, K., Hostetler, L. k-nearest-neighbor estimation. IEEE Trans. Information Theory, 21(3), 285-293, 1975. Greg Dobie, Tim Evershed «The Weather Business». Allianz Global Corporate & Specialty. 2013
Integrated Forecast System. [Электронный ресурс] https://en.wikipedia.org/wiki/Integrated_Forecast_System
Weather research and forecasting model. [Электронный ресурс] https://www.mmm.ucar.edu/weather-research-and-forecasting-model
Технология Метеум. [Электронный ресурс] https://yandex.ru/pogoda/meteum
Матрикснет. [Электронный ресурс] https://yandex.ru/company/technologies/matrixnet/
Краткий словарь терминов по конвективным облакам [Электронный ресурс] http://meteoweb.ru/phen034.php
Довгалюк Ю.А. Использование полуторамерной модели для решения фундаментальных и прикладных задач физики облаков [Текст] / Довгалюк Ю.А., Веремей Н.Е., Синькевич А.А. – СПб.: Астерион, 2007. – 161 с.
Раба Н. О., Станкова Е. Н. Исследование влияния компенсирующего нисходящего потока на жизненный цикл конвективного облака с помощью численной полуторамерной модели с двумя цилиндрами // Труды Главной геофизической обсерватории им. А.И.Воейкова.– 2009.– Вып. 559.– С. 192–209.
A journal for learning about Machine Learning. [Электронный ресурс]
J. M. Yang, P. T. Yu, and B. C. Kuo, “A nonparametric feature extraction and its application to nearest neighbor classification for hyperspectral image data,” IEEE Transactions on Geoscience and Remote Sensing, no. 3, pp. 1279–1293, 2010.
Lei La, Qiao Guo, Dequan Yang, and Qimin Cao Multiclass Boosting with Adaptive Group-Based kNN and Its Application in Text Categorization. Mathematical Problems in Engineering, Vol. 2012, Article ID 793490, 24 pages.
Brier (1950). “Verification of Forecasts Expressed in Terms of probability” (PDF). Monthly Weather Review. 78: 1–3.
Scikit-learn. Machine Learning in Python. [Электронный ресурс]
Хочешь уникальную работу?
Больше 3 000 экспертов уже готовы начать работу над твоим проектом!
4.5 (330 отзывов)
4.9 (20 отзывов)
4.6 (30 отзывов)
4.2 (13 отзывов)
4.7 (46 отзывов)
4.8 (40 отзывов)
4.1 (20 отзывов)
4.8 (30 отзывов)
5 (154 отзыва)
