Ученые МТУСИ сравнили данные о температуре по нескольким метеорологическим станциям штата Квинсленд (Австралия) за период до 2018 года и провели контрольное прогнозирование по следующим пяти годам, а также предсказали изменения температур до 2030 года с использованием искусственного интеллекта. Полученные результаты станут основой для развития прогностических моделей, учитывающих как глобальные тренды, так и локальные особенности климатической динамики.
Голубые горы в Австралии / © Vmenkov, ru.wikipedia.org
Климат на Земле постоянно меняется, что оказывает значительное влияние на жизнь людей и развитие общества. За последние 420 тысяч лет на планете произошло четыре периода похолодания, которые сменялись межледниковьями. Голоцен, начавшийся примерно 12 тысяч лет назад, характеризуется относительно комфортными условиями и включает в себя 13 циклов потепления и похолодания.
На сегодняшний день ученые, изучив керны льда из Гренландии и Антарктиды (озеро Восток), могут восстановить данные о климате планеты на несколько сотен тысячелетий назад. Примерно 5,5 тысяч лет назад начался голоценовый оптимум, после которого температура снизилась. С середины XIX века наблюдается тенденция к потеплению, вызванная увеличением уровня углекислого газа и антропогенным воздействием.
Изучение климата имеет огромное значение для оценки состояния окружающей среды и экономики, особенно сельского хозяйства. Современное потепление климата стало заметным всего за одно поколение и может повлиять на ресурсы и выживаемость людей. Анализ прошлых температур с использованием информационных технологий позволяет строить надежные климатические прогнозы.
В последние годы наблюдается значительный прогресс в обработке больших данных, что дает возможность использовать огромные объемы информации для более точных прогнозов и заполнять пробелы в наблюдениях. Концепция интернета вещей (IoT) объединяет устройства для сбора данных, открывая новые горизонты для научных исследований.
Виктория Ерофеева, доцент кафедры ЭБЖиЭ, Жанна Жукова, старший преподаватель кафедры ЭБЖиЭ и группа студентов факультета «Кибернетика и информационная безопасность» сравнили методы обработки доступных массивов данных о температуре по нескольким метеорологическим станциям штата Квинсленд (Австралия) за исторический период до 2018 года и провели контрольное прогнозирование по следующим пяти годам, а также итоговое предсказание изменения температур до 2030 года с использованием искусственного интеллекта.
Для анализа и предсказания климатических изменений в исследовании был выбран штат Квинсленд, Австралия, с множеством метеорологических станций и длинными температурными рядами. Использовались данные средних годовых температур по станциям, собранные в два файла: первый файл содержал данные с фактическими температурами для 236 станций за период наблюдений с 1856-2022 годы, а второй файл – данные пяти станций, находящихся в разных широтах за тот же период.
Для прогнозирования температуры из первого файла применялись такие методы, как k-nearest neighbors (KNN), Linear Regression (линейная регрессия) и seasonal autoregressive integrated moving average (SARIMA), без использования случайного разброса.
Для наглядной демонстрации работы из множества станций было выбрано девять с длинными рядами наблюдений. Более подробное сравнение изменчивости температуры из второго файла проведено с использованием метода «случайного леса» (Random Forest Regressor) для пяти станций. С его помощью можно сравнить максимальные и минимальные прогнозируемые температуры с реальными значениями. Методы оценивались на основе средней квадратичной ошибки (MSE).
«Точность прогноза для станций из второго файла была рассчитана для двух прогонов, поскольку при прогнозировании применялся случайный разброс с использованием метода случайного леса. Каждый прогон программы выдает новые значения, основанные на тех, которые доступны в файле №2. В итоге получены предсказания, учитывающие случайные величины, различные (но не значительно) для каждого прогона программы.
Точность была рассчитана путем сравнения прогнозируемых температур для двух прогонов с фактическими температурами из первого файла. В результате сравнения различных методов при прогнозировании random forest regressor показал, что этот метод прогнозирует значения температур с точностью не ниже 96 процентов, а самая маленькая среднеквадратичная ошибка высчитывается в методе k-nearest neighbors(KNN): 0,175. На основе random forest regressor мы провели прогнозирование по пяти станциям до 2030 года», — отметила Виктория Ерофеева.
В процессе исследования ученые отметили, что точность прогнозов зависит от размера исходного набора данных и количества гиперпараметров, таких как глубина деревьев в случайном лесу, скорость обучения при градиентном ускорении, коэффициент регуляризации в линейных моделях, количество соседей в методе k ближайших соседей и различные показатели, используемые для оценки модели.
«Сравнение температур на пяти станциях для первого файла методом регрессии случайного леса показало, что самые большие максимальные и минимальные температуры прогнозируются на станциях Вейпа и Аэропорт Локхарт, а самые маленькие — на станциях Амберли и Аплторп», — рассказала Жанна Сергеевна Жукова.
Важным аспектом исследования является использование машинного обучения и больших данных для прогнозирования будущих температурных режимов, обеспечивая более полное понимание сложных процессов, происходящих в атмосфере. Полученные результаты могут служить основой для развития прогностических моделей, учитывающих как глобальные тренды, так и локальные особенности климатической динамики.
Более детализированные данные о будущих температурных изменениях могут быть использованы для улучшения сельскохозяйственных практик, урбанистического планирования и экологического проектирования в условиях изменения климата.
Материал подготовлен на основе статьи «Сравнение методов прогнозирования температур по данным штата Квинсленд, Австралия».
