В России создан метод прогноза погоды и мониторинга экологии с ИИ

Исследователи из Томского госуниверситета разработали новый способ реконструкции параметров облаков верхнего яруса, который объединяет атмосферную оптику и машинное обучение. Этот подход нацелен на повышение точности прогнозов погоды, предупреждение о потенциально опасных циклонах и более эффективный мониторинг экологической ситуации в различных регионах. Эту информацию сообщает издание Togliatti24.

По данным пресс-службы ТГУ, в настоящее время ученым не хватает точной информации о влиянии облаков верхнего яруса на климат и глобальное потепление в условиях загрязненного воздуха. Чтобы решить эту задачу, сотрудники Лаборатории анализа данных физики высоких энергий ТГУ интегрировали атмосферную оптику и машинное обучение, создав метод, использующий данные наземного лидарного, спутникового и аэрологического зондирования атмосферы.

Алгоритмы, разработанные в рамках этого исследования, применяются для поиска редких событий при столкновении элементарных частиц на ускорителях. В контексте атмосферных исследований они помогают выявлять скрытые физические закономерности. Новый метод должен повысить точность ежедневных прогнозов погоды и своевременно предупреждать о приближающихся опасных циконах.

В ходе работы было установлено, что обучение нейросетей на исходных метеоданных не дает желаемых результатов. Атмосфера представляет собой динамическую систему, поэтому для точного восстановления параметров облаков верхнего яруса искусственному интеллекту необходимо учитывать взаимосвязи температуры, влажности, давления и ветра на разных высотах. Ученые преобразовали 15-летний архив глобального климатического реанализа ERA5 (с 2009 по 2023 годы) в компактные и физически обоснованные цифровые коды.

Для тестирования различных подходов к машинному обучению был проведен конкурс, в рамках которого проверялись методы сжатия больших объемов 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 данного формата. Лучшую архитектуру нейросети, показавшую 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 стал частью научной команды для доработки модели и ее практического внедрения.