Ученые создали новый метод реконструкции параметров облаков верхнего яруса, объединив атмосферную оптику и машинное обучение. Разработка позволит повысить точность прогнозов погоды, своевременно предупреждать об опасных циклонах и эффективнее отслеживать экологическую обстановку в регионах, сообщили ТАСС в пресс-службе Томского госуниверситета (ТГУ).
"На сегодняшний день ученым всего мира не хватает точных данных о том, как облака верхнего яруса (ОВЯ) влияют на климат и глобальное потепление в условиях загрязнения воздуха. Чтобы решить эту проблему, сотрудники Лаборатории анализа данных физики высоких энергий ТГУ объединили атмосферную оптику и машинное обучение (МО) и создали новый метод реконструкции параметров облаков верхнего яруса на основе комплексного использования данных наземного лидарного, спутникового, аэрологического зондирования атмосферы и инструментов МО", - сообщили в вузе.
Подобные алгоритмы применяют для поиска редких событий при столкновении элементарных частиц на ускорителях, а в исследованиях атмосферы они помогают выявлять скрытые физические закономерности. Разработка позволит повысить точность ежедневных прогнозов погоды, своевременно предупреждать о приближении опасных циклонов и эффективнее отслеживать экологическую обстановку в регионах.
В ходе работы выяснилось, что обучать нейросети на исходных метеоданных напрямую неэффективно. Атмосфера - динамическая система, поэтому для точного восстановления параметров облаков верхнего яруса искусственному интеллекту необходимо учитывать взаимосвязи температуры, влажности, давления и ветра на разных высотах. Чтобы решить эту задачу, ученые преобразовали 15-летний архив глобального климатического реанализа ERA5 (2009-2023 годы) в компактные и физически содержательные цифровые коды.
Ученые организовали конкурс по машинному обучению, чтобы протестировать разные программные подходы для сжатия больших массивов пространственно-временных данных и извлечения скрытого контекста атмосферных процессов. По словам организатора Максима Пензина, конкурс позволил за короткий срок проверить десятки конфигураций глубоких нейросетей и оценить, как студенты решают реальные прикладные задачи.
Результаты состязания подтвердили эффективность формата. Лучшую архитектуру нейросети, продемонстрировавшую максимальную точность и качество извлечения эмбеддингов, предложил магистрант второго курса Института прикладной математики и компьютерных наук ТГУ. Его решение оказалось настолько успешным, что студент уже сейчас присоединился к научной команде и занимается доработкой модели для ее практического внедрения.
По информации https://tass.ru/nauka/28141581
Обозрение "Terra & Comp".
