Ни одна компьютерная программа не могла учесть все климатообразующие факторы, необходимые для точного прогноза. Так было до появления глубокого машинного обучения — искусственного интеллекта, который, если даёт неправильный прогноз, проводит работу над ошибками.
В Южном федеральном университете применением глубокого машинного обучения для изучения изменений климата занимается ведущий научный сотрудник кафедры океанологии Института наук о Земле ЮФУ Денис Кривогуз — участник программы постдоков ЮФУ в рамках Программы развития «Приоритет-2030» (нацпроект «Наука и университеты»).
«Современные вызовы в прогнозировании климата требуют применения передовых технологий. Наша работа направлена на изучение потенциала глубокого обучения в этой области, что может существенно повысить точность прогнозов и способствовать разработке новых подходов к мониторингу и управлению климатическими ресурсами», — отметил Денис Кривогуз.
Архитектуры глубоких рекуррентных нейронных сетей (DRNN) и DRNN с блоками Gated Recurrent Units (DRNN-GRU), исследованные в работе «Улучшение долгосрочного прогнозирования температуры воздуха с помощью архитектуры глубокого обучения», показали выдающуюся эффективность нейросетей в задачах долгосрочного прогнозирования температуры. Применение таких моделей позволяет не только повысить точность прогнозов, но и лучше понять климатические процессы, что особенно актуально в свете глобальных изменений климата.
Научный руководитель Дениса Кривогуза, доцент Александр Иошпа подчеркнул, что развитие нейросетей для климатологии — это долгожданная коллаборация математических наук и наук о Земле.
«Когда появится идеальная математическая модель, которая учтет все факторы, влияющие на климат, и докажет свою эффективность точным прогнозом погоды хотя бы на полгода, это будет Нобелевская премия», – считает Александр Иошпа.
Нейросеть может анализировать большие объемы данных и выделять наиболее существенные для погоды факторы. Для прогноза в Ростовской области, например, брать в расчет не только движение больших атмосферных фронтов, но и течения в Чёрном и Азовском морях, температуру почвы в соседних регионах и так далее.
«Важность точного прогнозирования климата трудно переоценить. Это не только вопрос научного интереса, но и критически важный аспект для многих секторов экономики, в том числе для агроклиматологии и сельского хозяйства. В условиях Ростовской области, являющейся одним из ведущих аграрных регионов России, точное предсказание погодных условий может иметь огромное значение для планирования сельскохозяйственных работ, оптимизации ресурсов и управления урожаем», — рассказал Денис Кривогуз.
В рамках проведенного исследования была осуществлена работа с обширным набором данных, собранных за период с 1961 по 2023 год, в т.ч. с метеорологической станции Института наук о Земле Южного федерального университета, действующей с 2016 г. Данные включали в себя показатели температуры воздуха, атмосферного давления и уровня осадков, что позволило провести всесторонний анализ климатических условий на протяжении длительного временного интервала.
Такая сложная задача потребовала проведения большого объёма научных исследований и экспериментов, активное участие в которых принял Институт робототехники и интеллектуальных систем (ИРИС) СПбГМТУ, специализирующийся на исследовании и создании интеллектуальных робототехнических комплексов и систем обработки информации на базе искусственного интеллекта.
Директор ИРИС, декан факультета цифровых промышленных технологий СПбГМТУ Антон Жиленков рассказал, что одним из основных направлений, развиваемых в Институте робототехники и интеллектуальных систем, помимо робототехники, является создание систем обработки информации, предсказательных систем на базе технологий искусственного интеллекта и методов машинного обучения.
«В ходе совместного исследования нами были рассмотрены и сравнены различные архитектуры нейронных сетей. Особое внимание было уделено Deep Recurrent Neural Networks (DRNN) и её вариации с блоками Gated Recurrent Units (DRNN-GRU) за их способность к анализу последовательных данных и выявлению долгосрочных зависимостей во временных рядах. Эти модели демонстрировали значительное превосходство в точности прогнозирования по сравнению с традиционными методами, благодаря глубокому анализу временных зависимостей и высокой адаптивности к изменениям в данных», — поделился Антон Жиленков.
Кроме того, были изучены архитектуры с механизмом внимания, такие как LSTM-Attention и RSLSTM-Attention, которые позволили моделям сосредоточиться на наиболее значимых аспектах входных данных при учете их контекста и взаимосвязи. Несмотря на то, что эти модели показали высокие результаты в некоторых задачах, в общем сравнении они уступали DRNN и DRNN-GRU в точности прогнозирования температуры.
Использование моделей DRNN и DRNN-GRU позволило достигнуть значительного прогресса в точности прогнозов. Анализ сопоставления прогнозируемых и фактических температурных данных представляет собой ключевую часть исследования, направленную на оценку точности и надежности моделей глубокого обучения. В рамках проведенной работы было выполнено детальное сравнение результатов, полученных с помощью моделей DRNN и DRNN-GRU, с реальными метеорологическими данными.
Прогнозы, сгенерированные моделью DRNN, в большинстве случаев демонстрировали высокую степень соответствия фактическим температурным показателям с небольшими отклонениями в пределах ±2°C. Это указывает на эффективность модели в задачах предсказания температуры с учетом долгосрочных временных рядов и переменности климатических условий.
Например, при анализе температурных данных за летний период 2023 года прогнозы DRNN показали отклонение от фактических данных на 1.5°C, что является допустимым показателем для долгосрочного прогнозирования. Модель DRNN-GRU, в свою очередь, продемонстрировала еще более точные результаты, сократив среднее отклонение до ±1.2°C. Это стало возможным благодаря использованию блоков GRU, которые позволяют более эффективно обрабатывать и запоминать информацию о предыдущих состояниях системы, что критически важно для учета долгосрочных паттернов в данных.
«Стоит отметить, что при сравнении прогнозов с фактическими данными в периоды экстремальных погодных условий, таких как необычно теплые зимы или резкие похолодания летом, наблюдалось увеличение отклонений. Несмотря на это, обе модели успешно предсказывали общие тенденции изменения температур, демонстрируя их пригодность для практического использования в системах долгосрочного прогнозирования погоды», — объяснил Денис Кривогуз.
Климатические изменения, влияющие на частоту и интенсивность засух, паводков и других экстремальных погодных явлений, напрямую влияют на сельскохозяйственное производство. Поэтому разработка и внедрение передовых методов прогнозирования становятся ключевыми для адаптации к этим изменениям. Искусственный интеллект и глубокое обучение открывают новые перспективы в этой области, позволяя с большой точностью предсказывать температурные условия на длительный период.
«Наше исследование открывает новые возможности для использования глубокого обучения в метеорологии и климатологии. Мы надеемся, что это направление будет активно развиваться, внося значительный вклад в борьбу с негативными последствиями климатических изменений и помогая обществу адаптироваться к новым условиям», — подытожил Денис Кривогуз.
Разработанные модели, демонстрирующие высокую точность прогнозирования, могут стать основой для создания новых систем управления в сельском хозяйстве, способных адаптироваться к изменяющимся климатическим условиям. Это открывает путь для оптимизации процессов посева, полива, внесения удобрений и сбора урожая, повышения эффективности использования земельных и водных ресурсов, что в свою очередь может способствовать увеличению производительности и устойчивости сельскохозяйственного сектора Ростовской области и всей России.