Томские ученые научили ИИ предсказывать состояния атмосферы
Ученые Томского государственного университета разработали метод предсказания состояния атмосферы с помощью атмосферной оптики и машинного обучения. Это поможет повысить точность ежедневных прогнозов погоды, вовремя предупреждать о приближении циклонов и эффективнее отслеживать экологическую обстановку.
Как уточняют в пресс-службе вуза, сотрудники лаборатории анализа данных физики высоких энергий ТГУ выяснили, что обучать нейросети «в лоб» на сырых метеоданных неэффективно. Атмосфера — динамическая система, и для точной реконструкции параметров облаков верхнего яруса (ОВЯ) искусственному интеллекту необходимо понимать взаимосвязи температур, влажности, давления и ветра на разных высотах. Чтобы решить эту задачу, ученые решили преобразовать 15-летний архив глобального климатического реанализа ERA5 (2009–2023 гг.) в компактные и физически содержательные цифровые коды — эмбеддинги.
Чтобы протестировать различные программные подходы для реализации своей идеи, ученые организовали конкурс по машинному обучению для поиска нестандартных студенческих ИИ-решений. Участникам предложили создать креативные нейросетевые архитектуры, способные эффективно сжать огромный массив пространственно-временной информации и извлечь скрытый контекст атмосферных процессов. При общей теме проекта каждый студент искал свой уникальный математический подход.
— Эта работа направлена на изучение аспектов применимости современных инструментов анализа больших данных в задачах лазерного зондирования атмосферы и ряда процессов и факторов, имеющих исключительно важное значение в решении задач экологического мониторинга, динамики и физики атмосферы, — поясняет старший научный сотрудник лаборатории анализа данных физики высоких энергий ФФ ТГУ Олеся Кучинская, курирующая направление ИИ, анализа больших данных и машинного обучения (ранее — участник проекта Atlas в ЦЕРН). — Чтобы корректно реконструировать параметры ОВЯ, ИИ должен учитывать «историю» — динамику изменения и сложные взаимосвязи метеовеличин во времени (температуры, влажности, давления, направления и скорости ветра) на разных изобарических уровнях.
Лучшую архитектуру нейросети, продемонстрировавшую максимальную точность и качество извлечения эмбеддингов, предложил магистрант второго курса Института прикладной математики и компьютерных наук ТГУ Роман Останин. Он уже сейчас присоединился к научной команде и занимается доработкой модели для ее практического внедрения.
Подписывайтесь на наш телеграм-канал «Томский Обзор».