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 свою эффективность в задачах долгосрочного прогнозирования температуры. Развитие нейросетей для климатологии — это долгожданная коллаборация математических наук и наук о Земле.
В ЮФУ применением глубокого машинного обучения для исследования изменений климата занимается ведущий научный сотрудник кафедры океанологии Института наук о Земле Денис Кривогуз. «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.
В рамках проведенного исследования была осуществлена работа с обширным набором данных, собранных за период с 1961 по 2023 год. Информация включала 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. Директор ИРИС, декан факультета цифровых промышленных технологий СПбГМТУ Антон Жиленков рассказал, что одним из основных направлений, развиваемых в Институте, 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», — отметил Антон Жиленков.
В исследовании указано, что прогнозы, сгенерированные моделью DRNN, в большинстве случаев демонстрировали высокую степень соответствия фактическим температурным показателям с небольшими отклонениями в пределах двух градусов по Цельсию. Так, при анализе температурных данных за летний период 2023 года прогнозы DRNN показали отклонение от фактических данных на 1,5 градуса, что является допустимым показателем для долгосрочного прогнозирования. Модель DRNN-GRU, в свою очередь, продемонстрировала еще более точные результаты, сократив среднее отклонение до 1,2 градуса.
В ЮФУ рассказали, что разработанные модели могут стать основой для создания новых систем управления в сельском хозяйстве, способных адаптироваться к изменяющимся климатическим условиям.
