Розробка технології застосування штучної нейронної мережі прямого поширення для короткострокового прогнозування елементів погоди
DOI:
https://doi.org/10.15587/1729-4061.2025.321664Ключові слова:
штучна нейронна мережа прямого поширення, короткострокове прогнозування елементів погодиАнотація
Об'єктом дослідження є процедура застосування штучної нейронної мережі прямого поширення поверхневого навчання для цілей короткострокового прогнозування одного з елементів погоди – температури приземного шару повітря. Відомі методи прогнозування елементів погоди, а саме, гідродинамічний, фізико-статистичний і синоптичний, останніми роками успішно доповнюються прогнозуванням за допомогою штучних нейронних мереж. З'явилася можливість будувати мережі великого розміру, під великий обсяг навчальних даних для глибокого навчання. Однак рівень розвитку теорії штучних нейронних мереж не дає змоги будувати потрібну мережу. Тому під час розв'язання прикладних задач, подібних до наведеної в статті, розробнику доводиться наосліп або на основі якихось евристичних міркувань будувати систему прогнозування, експериментуючи з нейронними мережами. При цьому шлях ускладнення мереж найчастіше до якісного поліпшення результатів прогнозування не призводить. Тому під час досліджень основною розв'язуваною проблемою була оптимізація застосування нейронної мережі з добре відпрацьованим алгоритмом навчання для цілей короткострокового прогнозування метеорологічних елементів. Як критерій оптимізації було прийнято виправдовуваність короткострокових прогнозів значень температури приземного шару повітря різної завчасності. Параметрами, що забезпечують досягнення оптимальності, виступають параметри даних, що навчають мережу, і параметри самої мережі. За рахунок добору цих параметрів досягається висока виправдовуваність короткострокових прогнозів різної завчасності. Виправданість прогнозу на три години досягає 100 відсотків. Такого ж значення досягає виправдовуваність прогнозу із завчасністю одну добу. Прогноз значень температури на три доби має виправдовуваність понад 90 відсотків
Посилання
- Moustris, K., Larissi, I., Nastos, P. T., Koukouletsos, K., Paliatsos, A. G. (2012). 24-Hours Ahead Forecasting of PM10 Concentrations Using Artificial Neural Networks in the Greater Athens Area, Greece. Advances in Meteorology, Climatology and Atmospheric Physics, 1121–1126. https://doi.org/10.1007/978-3-642-29172-2_156
- Lei, Y., Zhao, D., Cai, H. (2015). Prediction of length-of-day using extreme learning machine. Geodesy and Geodynamics, 6 (2), 151–159. https://doi.org/10.1016/j.geog.2014.12.007
- Koprinska, I., Wu, D., Wang, Z. (2018). Convolutional Neural Networks for Energy Time Series Forecasting. 2018 International Joint Conference on Neural Networks (IJCNN), 1–8. https://doi.org/10.1109/ijcnn.2018.8489399
- Taylor, J. W., Buizza, R. (2002). Neural network load forecasting with weather ensemble predictions. IEEE Transactions on Power Systems, 17 (3), 626–632. https://doi.org/10.1109/tpwrs.2002.800906
- Maqsood, I., Khan, M., Abraham, A. (2004). An ensemble of neural networks for weather forecasting. Neural Computing and Applications, 13 (2). https://doi.org/10.1007/s00521-004-0413-4
- Maqsood, I., Abraham, A. (2007). Weather analysis using ensemble of connectionist learning paradigms. Applied Soft Computing, 7 (3), 995–1004. https://doi.org/10.1016/j.asoc.2006.06.005
- Maqsood, I., Khan, M. R., Abraham, A. (2003). Weather Forecasting Models Using Ensembles of Neural Networks. Intelligent Systems Design and Applications, 33–42. https://doi.org/10.1007/978-3-540-44999-7_4
- Harnist, B., Pulkkinen, S., Mäkinen, T. (2024). DEUCE v1.0: a neural network for probabilistic precipitation nowcasting with aleatoric and epistemic uncertainties. Geoscientific Model Development, 17 (9), 3839–3866. https://doi.org/10.5194/gmd-17-3839-2024
- Espeholt, L., Agrawal, S., Sønderby, C., Kumar, M., Heek, J., Bromberg, C. et al. (2022). Deep learning for twelve hour precipitation forecasts. Nature Communications, 13 (1). https://doi.org/10.1038/s41467-022-32483-x
- Bi, K., Xie, L., Zhang, H., Chen, X., Gu, X., Tian, Q. (2023). Accurate medium-range global weather forecasting with 3D neural networks. Nature, 619 (7970), 533–538. https://doi.org/10.1038/s41586-023-06185-3
- Clare, M. C. A., Jamil, O., Morcrette, C. J. (2021). Combining distribution‐based neural networks to predict weather forecast probabilities. Quarterly Journal of the Royal Meteorological Society, 147 (741), 4337–4357. https://doi.org/10.1002/qj.4180
- Yang, Q., Giezendanner, J., Civitarese, D. S., Jakubik, J., Schmitt, E., Chandra, A. et al. (2024). Multi-modal graph neural networks for localized off-grid weather forecasting. arXiv. https://doi.org/10.48550/arXiv.2410.12938
- Chaudhuri, S., Das, D., Sarkar, I., Goswami, S. (2015). Multilayer Perceptron Model for Nowcasting Visibility from Surface Observations: Results and Sensitivity to Dissimilar Station Altitudes. Pure and Applied Geophysics, 172 (10), 2813–2829. https://doi.org/10.1007/s00024-015-1065-2
- Perelygin, B., Tkach, T., Gnatovskaya, A. (2021). Preparing data and determining parameters for a feedforward neural network used for short-term air temperature forecasting. Short Paper Proceedings of the 2nd International Conference on Intellectual Systems and Information Technologies (ISIT 2021) co-located with 1st International Forum "Digital Reality" (DRForum 2021). Odesa, 56–61. Available at: https://ceur-ws.org/Vol-3126/paper8.pdf
- Nastanova z meteorolohichnoho prohnozuvannia. Ukrainskyi hidrometerolohichnyi tsentr. Kyiv, 35. Available at: https://www.meteo.gov.ua/f/pro_nas/normatuvni_akt/Nastanova%20z%20meteoprognozuvannia.pdf
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2025 Boris Perelygin, Halyna Borovska, Hanna Hnatovska, Andrey Sergienko, Tetiana Tkach, Nataliia Shtefan
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.
Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.
