Ученые Томского государственного университета разработали новый метод восстановления параметров облаков верхнего яруса. Подход объединяет атмосферную оптику и машинное обучение, сообщает ТАСС.
Разработка должна помочь повысить точность прогнозов погоды, улучшить предупреждение об опасных циклонах и сделать экологический мониторинг в регионах более эффективным.
В пресс-службе ТГУ отметили, что сейчас специалистам не хватает точных данных о том, как облака верхнего яруса влияют на климат и глобальное потепление в условиях загрязнения воздуха.
Для решения этой задачи сотрудники Лаборатории анализа данных физики высоких энергий ТГУ совместили методы атмосферной оптики и машинного обучения.
Новый метод использует данные наземного лидарного, спутникового и аэрологического зондирования атмосферы.
Алгоритмы, примененные в исследовании, также используются для поиска редких событий при столкновениях элементарных частиц на ускорителях. В атмосферных исследованиях они помогают находить скрытые физические закономерности.
По словам ученых, обучение нейросетей на исходных метеорологических данных оказалось недостаточно эффективным. Атмосфера является динамической системой, поэтому для восстановления параметров верхних облаков необходимо учитывать связи между температурой, влажностью, давлением и ветром на разных высотах.
Специалисты преобразовали 15-летний архив глобального климатического реанализа ERA5 за 2009–2023 годы в компактные цифровые коды, содержащие физически значимую информацию.
Для проверки разных подходов к машинному обучению был проведен конкурс. Его участники тестировали методы сжатия больших массивов пространственно-временных данных и способы извлечения скрытого контекста атмосферных процессов.
Организатор конкурса Максим Пензин отметил, что такой формат позволил быстро проверить десятки вариантов глубоких нейросетей и увидеть, как студенты справляются с реальными прикладными задачами.
По итогам конкурса лучшую архитектуру нейросети предложил магистрант второго курса Института прикладной математики и компьютерных наук ТГУ. Его модель показала наибольшую точность и качество извлечения цифровых представлений данных.
Решение оказалось успешным, поэтому студент присоединился к научной группе для дальнейшей доработки модели и ее практического внедрения.