Naučnici povećavaju pouzdanost vremenske prognoze pomoću mašinskog učenja
Globalni tim istraživača napravio je napredak u usavršavanju metoda za prognozu vremena korišćenjem mašinskog učenja.
Kako piše Sinhua, naučnici su tražili bolje načine da vremensku prognozu učine tačnijom. Iako je predviđanje vremena pomoću numeričkih modela prognoze vremena (NWP) dostiglo zrelost , rezultirajuće prognoze su i dalje najčešće nedovoljno raznolike. Kao takvi, alati za kalibraciju prognoza su postali popularni.
Među tim alatima, kvantilna regresija (QR) je veoma konkurentna u pogledu fleksibilnosti i prediktivnih performansi. Ipak, dugotrajni problem QR-a je kvantilno ukrštanje, koje u velikoj meri ograničava interpretabilnost QR-kalibriranih prognoza.
Po tom pitanju, ova studija predlaže neuronsku mrežu kvantilne regresije bez ukrštanja (NCQRNN), za kalibraciju zbirnih NWP prognoza u skup pouzdanih kvantilnih prognoza bez ukrštanja.
Prema studiji, NCQRNN model modifikuje tradicionalnu QRNN strukturu dodavanjem novog sloja koji čuva redosled ranga izlaznih čvorova, tako da su niži kvantili ograničeni da budu stalno manji od viših bez gubitka tačnosti.
"Naš model NCQRNN održava prirodni red vrednosti prognoze, osiguravajući da niži kvantili ostanu manji od viših. Ovo povećava preciznost i značajno poboljšava interpretabilnost prognoze", rekao je Jang Dadži, profesor na Harbin institutu za tehnologiju (HIT).
Nova otkrića, nedavno objavljena u časopisu “Dostignuća u atmosferskim naukama” ( Advances in Atmospheric Sciences), zajednički su razvili istraživači iz HIT-a, Kineske akademije nauka (CAS), Instituta za tehnologiju Karlsrue (KIT) u Nemačkoj, Nacionalnog univerziteta Singapura, Eleketromreže Ujedinjeniog Kraljevstva (UK Power Networks) , Univerziteta tehnologije i ekonomije u Budimpešti (BME) i drugih instituta.
Istraživači veruju da ovaj inovativni pristup mašinskom učenju ima značajna poboljšanja u odnosu na postojeće modele. Njegov prilagodljiv dizajn omogućava besprekornu integraciju u različite sisteme vremenske prognoze, obećavajući jasnija i pouzdanija predviđanja za niz vremenskih varijabli.
"Ovaj sloj koji se ne prelazi može se dodati širokom spektru različitih struktura neuronske mreže, osiguravajući široku primenljivost predložene tehnike", rekao je dr Martin J. Majer (Mayer) iz BME.
Prema dr Sebastijanu Lerču (Sebastian Lerch) iz KIT-a, predloženi model neuronske mreže za kvantilnu regresiju je veoma uopšten i može se primeniti na druge ciljne varijable uz minimalne adaptacije. Stoga će ta metoda takođe biti od interesa za druge vremenske i klimatske aplikacije osim predviđanja sunčevog zračenja.
Štaviše, istraživači naglašavaju da mašinsko učenje ima važne izglede za primenu u oblasti istraživanja vremena i klime.
"To pruža poučnu studiju slučaja o tome kako primeniti napredne metode mašinskog učenja na numeričke modele predviđanja vremena kako bi se poboljšala tačnost vremenske prognoze i klimatskih predviđanja", rekao je Sja Sjang'ao, profesor sa Instituta za atmosfersku fiziku na CAS.
