В МТУСИ предсказали изменения температуры в Антарктиде с помощью нейросети
Ученые МТУСИ проанализировали климатические изменения на южном полюсе и разработали прогностическую модель с использованием полносвязной нейронной сети для предсказания температурных изменений в Антарктиде.
В последние десятилетия наука о климате стремительно развивается, количество собранных данных прогрессивно растет, подходы к изучению климата меняются от простых описаний к сложным прогнозам, а методы обработки и анализа данных совершенствуются, включая использование технологий больших данных и искусственного интеллекта.
Антарктида, расположенная на Южном полюсе, с экстремальными температурными условиями и удаленная от цивилизации, представляет собой уникальное место для изучения климата. Предварительные исследования температурных трендов в Антарктиде, основанные на данных метеорологических станций, показали, что они соответствуют общим климатическим тенденциям, но с меньшими колебаниями, в частности, было зафиксировано незначительное потепление, характерное для нашего времени.
Проблема анализа динамики температур является ключевой в контексте оценки климатических изменений на планете. Изменение климата представляет собой одну из самых серьезных угроз для будущего человечества, поскольку оно может привести к серьезным экологическим, экономическим и социальным последствиям. Как глобальное потепление, так и вероятность наступления нового ледникового периода создают риски для существования человеческой цивилизации.
Сотрудники кафедры «Экология» МТУСИ проанализировали климатические изменения на полюсе и разработали прогностическую модель с использованием полносвязной нейронной сети для предсказания температурных изменений в Антарктиде. Структура модели нейронной сети включает количество слоев, нейронов, параметры активации, функции потерь и оптимизатор.
«При разработке нейронной сети, состоящей из двух полносвязных слоев, мы использовали функцию активации ReLU. Эта функция обеспечивает нелинейность и помогает модели лучше выявлять сложные закономерности в данных. Для оценки результатов тестирования мы применили метрику Median Absolute Error (МАЕ), которая наглядно продемонстрировала точность прогноза и показала значительное влияние экстремальных климатических условий на точность прогноза по нескольким станциям. В частности, на «холодных» станциях результаты оказались немного хуже, чем на «теплых», – рассказала завкафедрой «Экология», доцент, кандидат биологических наук Виктория Ерофеева.
Добавить в заметки чтобы посмотреть позже?При этом, ученые подчеркивают, что целесообразность использования полносвязной нейронной сети состоит в ее адаптации к сложным нелинейным взаимосвязям в климатических данных. Высокая степень точности модели в сравнении с реальными наблюдениями подчеркивает ее эффективность в улавливании и прогнозировании температурных трендов в данном регионе.
«Тестирование проводилось с 2020 по 2024 годы. Нейронная сеть была апробирована на нескольких станциях Антарктиды и показала хорошие результаты. Перед нами стояла задача сравнить возможности нейронной сети в прогнозировании климата для регионов континента с различными температурными режимами. Детальный анализ температурных флуктуаций и выявление ключевых периодов изменений позволили создать объективное представление динамики климата на полюсе.
Для обучения модели мы использовали доступные данные из метеостанций на полюсе с 1958 – 2019 годы, которые включали температурные изменения, нормализацию и предобработку данных, а также стратегию валидации, которая позволила получить высокую точность прогнозов. В рамках проведенного исследования, с учетом особенностей климата континента, мы разделили станции на «теплые» (Ротер, Беллинсгаузен, Вернадский) и «холодные» (Восток, Амундсен-Скотт. Предварительные результаты показали, что тренды на «теплых» станциях, где средние температуры превышают –30 °С, отличаются от трендов на «холодных» станциях с значительно более низкими температурами», – пояснила старший преподаватель кафедры «Экология», Жанна Жукова.
Примечательно, что в дополнение к тестированию моделей на исторических данных, учеными было проведено прогнозирование температуры на ближайшие пять лет, что позволит оценить способность моделей адаптироваться к будущим климатическим изменениям.
Исследование демонстрирует значительный вклад полносвязных нейронных сетей в прогнозирование температурных изменений, подчеркивая их эффективность в улавливании сложных климатических паттернов. Основные тенденции, выявленные в ходе работы, указывают на возможность адаптации к изменяющимся климатическим условиям с помощью передовых технологий машинного обучения.
Уделяя особое внимание анализу различий между «холодными» и «теплыми станциями», ученые выявили некоторые особенности в прогнозировании в более экстремальных климатических условиях, что открывает новые перспективы для дальнейших улучшений моделей и адаптации их к разнообразным климатическим условиям.
В дальнейшем планируется оптимизировать подходы к анализу данных и улучшению точности долгосрочных климатических предсказаний в регионе, в частности, с учетом расширения географического охвата и усовершенствование моделей прогнозирования.
Нашли опечатку? Выделите фрагмент и нажмите Ctrl + Enter.
Московский технический университет связи и информатики (МТУСИ) — ведущее отраслевое техническое высшее учебное заведение Центральной России по подготовке кадров для IT и телеком-индустрии, подведомственное Министерству цифрового развития, связи и массовых коммуникаций РФ. Основан в 1921 году на базе Московского электротехнического института народной связи им. В.Н. Подбельского. Ежегодно МТУСИ выпускает востребованных специалистов в области связи, информационных технологий, квантовых коммуникаций, робототехники, информационной безопасности и цифровой экономики. В состав университета входят 5 факультетов, 34 кафедры, 2 филиала (Волго-Вятский и Северо-Кавказский), Колледж телекоммуникаций, Музей электросвязи, Квантовый центр, Центр робототехники, Лаборатория AR/VR, Центры заочного обучения бакалавров и магистров, Центр индивидуального обучения.
<!— .shesht-social-sharing-block { margin-top: -40px; }
—>