Ученые МТУСИ разработали решение для предсказания температурных изменений в Антарктиде
Ученые МТУСИ разработали прогностическую модель с использованием полносвязной нейронной сети для предсказания температурных изменений в Антарктиде.
В последние десятилетия наука о климате стремительно развивается, количество собранных данных прогрессивно растёт, подходы к изучению климата меняются от простых описаний к сложным прогнозам, а методы обработки и анализа данных совершенствуются, включая использование технологий больших данных и искусственного интеллекта.
Антарктида, расположенная на Южном полюсе, с экстремальными температурными условиями и удалённая от цивилизации, представляет собой уникальное место для изучения климата. Предварительные исследования температурных трендов в Антарктиде, основанные на данных метеорологических станций, показали, что они соответствуют общим климатическим тенденциям, но с меньшими колебаниями, в частности, было зафиксировано незначительное потепление, характерное для нашего времени.
Проблема анализа динамики температур является ключевой в контексте оценки климатических изменений на планете. Изменение климата представляет собой одну из самых серьезных угроз для будущего человечества, поскольку оно может привести к серьезным экологическим, экономическим и социальным последствиям. Как глобальное потепление, так и вероятность наступления нового ледникового периода создают риски для существования человеческой цивилизации.
Сотрудники кафедры "Экология" МТУСИ проанализировали климатические изменения на полюсе и разработали прогностическую модель с использованием полносвязной нейронной сети для предсказания температурных изменений в Антарктиде. Структура данной модели нейронной сети включает количество слоев, нейронов, параметры активации, функции потерь и оптимизатор.
"При разработке нейронной сети, состоящей из двух полносвязных слоёв, мы использовали функцию активации ReLU. Эта функция обеспечивает нелинейность и помогает модели лучше выявлять сложные закономерности в данных. Для оценки результатов тестирования мы применили метрику Median Absolute Error (МАЕ), которая наглядно продемонстрировала точность прогноза и показала значительное влияние экстремальных климатических условий на точность прогноза по нескольким станциям. В частности, на "холодных" станциях результаты оказались немного хуже, чем на "тёплых", – рассказала заведующий кафедрой "Экология", доцент Виктория Ерофеева.
При этом учёные подчёркивают, что целесообразность использования полносвязной нейронной сети состоит в её адаптации к сложным нелинейным взаимосвязям в климатических данных. Высокая степень точности модели в сравнении с реальными наблюдениями подчеркивает ее эффективность в улавливании и прогнозировании температурных трендов в данном регионе.
"Тестирование проводилось с 2020 по 2024 гг. Нейронная сеть была апробирована на нескольких станциях Антарктиды и показала хорошие результаты. Перед нами стояла задача сравнить возможности нейронной сети в прогнозировании климата для регионов континента с различными температурными режимами. Детальный анализ температурных флуктуаций и выявление ключевых периодов изменений позволили создать объективное представление динамики климата на полюсе. Для обучения модели мы использовали доступные данные из метеостанций на полюсе с 1958 – 2019 гг., которые включали температурные изменения, нормализацию и предобработку данных, а также стратегию валидации, которая позволила получить высокую точность прогнозов. В рамках проведённого исследования, с учётом особенностей климата континента, мы разделили станции на "теплые" (Ротер, Беллинсгаузен, Вернадский) и "холодные" (Восток, Амундсен-Скотт. Предварительные результаты показали, что тренды на "тёплых" станциях, где средние температуры превышают –30 °С, отличаются от трендов на "холодных" станциях с значительно более низкими температурами", – пояснила старший преподаватель кафедры "Экология" Жанна Жукова.
Примечательно, что в дополнение к тестированию моделей на исторических данных, учёными было проведено прогнозирование температуры на ближайшие пять лет, что позволит оценить способность моделей адаптироваться к будущим климатическим изменениям.
Исследование демонстрирует значительный вклад полносвязных нейронных сетей в прогнозирование температурных изменений, подчеркивая их эффективность в улавливании сложных климатических паттернов. Основные тенденции, выявленные в ходе работы, указывают на возможность адаптации к изменяющимся климатическим условиям с помощью передовых технологий машинного обучения.
Уделяя особое внимание анализу различий между "холодными" и "теплыми станциями", учёные выявили некоторые особенности в прогнозировании в более экстремальных климатических условиях, что открывает новые перспективы для дальнейших улучшений моделей и адаптации их к разнообразным климатическим условиям.
В дальнейшем планируется оптимизировать подходы к анализу данных и улучшению точности долгосрочных климатических предсказаний в регионе, в частности, с учётом расширения географического охвата и усовершенствование моделей прогнозирования.
