Giliojo mašininio mokymosi metodų trumpalaikiam kritulių prognozavimui iš radaro duomenų tyrimas

Ištrauka

Giliojo mašininio mokymosi metodų trumpalaikiam kritulių prognozavimui iš radaro duomenų tyrimas
Baigiamasis magistro studijų projektas

Turinys
Lentelių sąrašas 7
Paveikslų sąrašas 8
Santrumpų ir terminų žodynas 9
Įvadas 10
1. Orų prognozavimo literatūros apžvalga 11
1.1. Skaitmeniniai orų prognozavimo modeliai 11
1.1.1. Skaičiavimo išteklių problemos 11
1.1.2. Prisitaikymas prie klimato kaitos padarinių 12
1.1.3. Trumpalaikis oro sąlygų prognozavimas 12
1.2. Gilusis mašininis mokymasis kritulių prognozavime 13
1.2.1. Konvoliuciniai ir rekurentiniai neuroniniai tinklai 13
1.2.2. Pažangesnės neuroninių tinklų architektūros 14
1.2.3. Konvoliuciniai ilgos trumpalaikės atminties modeliai 15
1.2.4. Lokalizuoti konvoliuciniai neuroniniai tinklai 15
2. Trumpalaiko kritulių prognozavimo metodika 18
2.1. Technologijų analizė 18
2.1.1. Python galimybės ir apribojimai giliojo mokymosi srityje 18
2.1.2. Java programavimo kalbos aspektai 19
2.1.3. C++ efektyvumas ir trūkumai 19
2.1.4. R privalumai ir iššūkiai 19
2.1.5. Pasirinktos technologijos 20
2.2. Duomenų rinkinys ir jo sudarymas 20
2.3. Kritulių prognozavimo eksperimentų struktūra 23
2.3.1. Apmokymo duomenų rinkiniai 23
2.3.2. Testavimo etape atliekamos modelių prognozės 24
2.3.3. Trumpalaikis kritulių prognozavimas 26
2.3.4. Prognozių vertinimo metrikos 27
2.4. Realizuoti giliojo mašininio mokymosi modeliai 28
2.4.1. Eksperimentinių failų struktūra ir realizacija 28
2.4.2. CNN modeliai 30
2.4.3. RNN tipo prognozavimo modelis 30
2.4.4. Konvoliucinis LSTM modelis ir jo realizacija 31
2.4.5. U-Net architektūros variacijos 31
2.4.6. Lokalizuoti neuroniniai tinklai 32
2.4.7. UNet ir ConvLSTM modelių lokalizacijos 33
3. Trumpalaikio kritulių prognozavimo rezultatų analizė 35
3.1. Tiriamų modelių rezultatų apžvalga 35
3.2. Lokalizuotų neuroninių tinklų rezultatai 41
4. Išvados 46
Literatūros sąrašas 48
Priedai 52

Įvadas
Šiais laikais, globalinis klimato atšilimas yra viena iš aktualiausių problemų, nes jo sukeliami
padariniai yra itin reikšmingi ekonomikos, ekosistemos ir visuomenės stabilumui. Tirpstantys
ledynai, kylanti vidutinė vandenynų temperatūra, trumpėjantys šaltųjų sezonų laikotarpiai – tai
pastoviai vykstantys veiksniai, kurie kyla dėl klimato kaitos padarinių [1]. Dėl šių padarinių,
per pastaruosius 50 m. ekstremalių meteorologinių reiškinių metinis skaičius išaugo penkis
kartus [2]. Remiantis 2021 m. statistiniais duomenimis, bent vienas nelaimingas įvykis, susijęs
su oru ar klimatu, pasaulyje įvyksta kasdien. Tačiau šių nelaimių sukeliamus nuostolius ir
prarandamų žmonių gyvybių skaičių galima sumažinti laiku aptinkant ir informuojant
visuomenę apie meteo- rologines anomalijas [2].
Nors skaitmeninių orų prognozių tikslumas pastaraisiais metais ženkliai padidėjo, dėl klimato
kaitos sukeliamų nenuspėjamų meteorologinių reiškinių, klasikiniais metodais gaunamos prog-
nozės dažnai būna klaidingos [3]. Siekiant spręsti šiuos iššūkius ir sukurti tokius prognozavimo
modelius, kurie sugebėtų prisitaikyti prie klimato kaitos sukeliamų pokyčių, yra bandoma
pritai- kyti giliojo mašininio mokymosi suteikiamas naujas galimybes. Mašininio mokymosi
sritis šiais laikais yra viena iš populiariausių ir inovatyviausių mokslo sričių [4]. Todėl jau
dabar yra atlikta nemažai tyrimų, kuriuose pritaikius mašininio mokymosi modelius atliekamos
meteorologinių reiškinių prognozės, o jų tikslumas pranoksta skaitmeninių orų prognozavimo
metodais gautus rezultatus [5]. Tačiau nors ir orų prognozavimas gali būti efektyvesnis
pasitelkiant mašininį mokymąsi, naudojant mašininio mokymosi modelius vis tiek susiduriama
su sunkumais siekiant laiku ir tiksliai prognozuoti tam tikrus ekstremalius meteorologinius reiškinius.
Būtent dėl to tarptautinė meteorologijos organizacija 2019 m. apibrėžė trumpalaikių orų prog-
nozavimo metodą. Šio metodo tikslas yra atlikti labai tikslias ir koncentruotas meteorologinių
sąlygų prognozes nuo 0 iki 6 valandų intervale [6]. Atliekant tokias prognozes yra daug
lengviau tiksliai nustatyti meteorologinių reiškinių intensyvumą ir laiką, o tai leidžia sumažinti
ekstre- malių meteorologinių reiškinių sukeliamą žalą. Dėl šių priežasčių, magistro darbe
analizuojama skirtingų mašininio mokymosi bei giliojo mokymosi modelių pritaikymas
trumpalaikiam kritulių prognozavimui.
Pagrindinis magistro darbo tikslas – ištirti giliojo mašininio mokymosi modelių pritaikymo
gali- mybes trumpalaikio kritulių prognozavimo srityje, naudojant radaro kritulių duomenis.
Darbo tikslui pasiekti buvo suformuluoti pagrindiniai uždaviniai:
1.Surinkti ir apdoroti Lietuvos regiono kritulių radaro nuotraukų rinkinį,...