Fakulteta za gradbeništvo in geodezijo, Ljubljana (FGGLJ)
  • Napovedovanje vremena s konvolucijskimi nevronskimi mrežami
    Perkan, Uroš ; Skok, Gregor ; Zaplotnik, Žiga, fizika, 1989-
    Moderno napovedovanje vremena temelji na numeričnih vremenskih modelih, ki časovno evolucijo atmosferskih polj izračunajo na podlagi osnovnih fizikalnih zakonov. V pričujočem članku opišemo model ... strojnega učenja za globalno srednjeročno napovedovanje vremena ConvCastNet, ki smo ga razvili v okviru magistrske naloge. ConvCastNet temelji na konvolucijskih nevronskih mrežah in napoved izvaja na 3-stopinjski ekviangularni prostorski mreži za 10 atmosferskih, morskih in kopenskih spremenljivk. ConvCastNet se napovedovanja nauči tako, da pri učenju upošteva cenilko (t. i. funkcijo izgube), ki meri razliko med kratkoročno napovedjo in istočasnim približkom resničnega stanja ozracja, ki ga določimo iz rekonstrukcij preteklega vremena, t. i. reanaliz, ERA5. V model implementiramo nov način obravnave robov atmosferskih polj in polj latentnih značilk, tako da je upoštevana Zemljina sferična geometrija. Začetni pogoj za modelsko napoved so polja reanaliz, napoved pa izvedemo z avto regresivnim korakanjem s časovnim korakom 1 dan. ConvCastNet napoveduje dnevno povprečje atmosferskih spremenljivk. Vremenska napoved z modelom ConvCastNet omogoča natančno napovedovanje razvoja sinoptičnih vremenskih valov. Pri napovedovanju polja geopotenciala na 500 hPa ploskvi ConvCastNet tako doseže 7,8 dni z vrednostjo koeficienta korelacij anomalij (ACC) večjo od 0,6, s čimer se pri tej metriki približa rezultatom najnovejših modelov strojnega učenja in fizikalnemu determinističnemu visokoresolucijskemu modelu (HRES) Evropskega centra za srednjeročne vremenske napovedi (ECMWF). Model ConvCastNet lahko več dni vnaprej uspešno napove položaje sinoptičnih valov in baričnih tvorb ter uspešno sledi trajektorijam tropskih ciklonov. Zaradi nizke ločljivosti in dnevnega povprečenja atmosferskih polj pa ni sposoben izvedbe koristne napovedi intenzitete tropskih ciklonov, lokalnih ekstremnih padavinskih dogodkov in ostalih lokalnih vremenskih ekstremov. Analiza porazdelitve napak modela v letu 2022 pokaže, da je absolutna napaka vremenskih napovedi največja na baroklinih območjih v visokih geografskih širinah, normiranje napake z naravno variablinostjo vremena pa pokaže, da te glede na tipično hitrost spreminjanja vremena najhitreje naraščajo v tropih.
    Vir: Raziskave s področja geodezije in geofizike 2023 : zbornik del : 29. srečanje Slovenskega združenja za geodezijo in geofiziko, Ljubljana, 1. februar 2024 (Str. 35-51)
    Vrsta gradiva - prispevek na konferenci ; neleposlovje za odrasle
    Leto - 2024
    Jezik - slovenski
    COBISS.SI-ID - 183859971

    Povezava(-e):

    https://fgg-web.fgg.uni-lj.si/SUGG/referati/2024/SZGG_2024_Uros_Perkan.pdf
    Digitalna knjižnica Slovenije - dLib.si

Vnos na polico