В России разработан метод прогноза погоды и мониторинга экологии с ИИ
Ученые из Томского госуниверситета создали новый метод реконструкции параметров облаков верхнего яруса, который сочетает атмосферную оптику и машинное обучение. Эта разработка направлена на повышение точности прогнозов погоды, предупреждение об опасных циклонах и более эффективный мониторинг экологической ситуации в регионах. Об этом пишет сайт ТАСС.
По информации пресс-службы ТГУ, на сегодняшний день ученым не хватает точных данных о влиянии облаков верхнего яруса на климат и глобальное потепление в условиях загрязнения воздуха. Для решения этой проблемы сотрудники Лаборатории анализа данных физики высоких энергий ТГУ объединили атмосферную оптику и машинное обучение, создав новый метод, который использует данные наземного лидарного, спутникового и аэрологического зондирования атмосферы.
Алгоритмы, разработанные в рамках исследования, применяются для поиска редких событий при столкновении элементарных частиц на ускорителях. В контексте атмосферных исследований они помогают выявлять скрытые физические закономерности. Новый метод позволит улучшить точность ежедневных прогнозов погоды, а также своевременно предупреждать о приближении опасных циклонов.
В процессе работы было установлено, что обучение нейросетей на исходных метеоданных неэффективно. Атмосфера является динамической системой, поэтому для точного восстановления параметров облаков верхнего яруса искусственному интеллекту необходимо учитывать взаимосвязи температуры, влажности, давления и ветра на различных высотах. Ученые преобразовали 15-летний архив глобального климатического реанализа ERA5 (2009-2023 годы) в компактные и физически содержательные цифровые коды.
Для тестирования различных подходов к машинному обучению был организован конкурс, в ходе которого проверялись методы сжатия больших массивов пространственно-временных данных и извлечения скрытого контекста атмосферных процессов. Организатор конкурса Максим Пензин отметил, что это позволило быстро оценить десятки конфигураций глубоких нейросетей и увидеть, как студенты решают реальные прикладные задачи.
Результаты конкурса 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 присоединился к научной команде для доработки модели и ее практического внедрения.
