Томские ученые разработали новый метод точного прогноза погоды с помощью ИИ
Точность ежедневных метеорологических прогнозов, своевременное предупреждение о приближении опасных циклонов и мониторинг экологической ситуации в регионах получат новый импульс благодаря разработке томских исследователей. Специалисты создали уникальный метод реконструкции параметров облаков верхнего яруса, объединив в одном подходе атмосферную оптику и передовые технологии машинного обучения. Об успешном завершении работы сообщила ТАСС пресс-служба Томского государственного университета.
Необходимость в подобных изысканиях назрела давно. На глобальном уровне науке до сих пор не хватает достоверных данных о том, каким именно образом высотные облачные образования влияют на климатические сдвиги и процессы глобального потепления на фоне общего загрязнения атмосферы. Для выявления скрытых физических закономерностей сотрудники Лаборатории анализа данных физики высоких энергий применили нестандартный ход. Изначально алгоритмы машинного обучения использовались на ускорителях для регистрации редких событий при столкновении элементарных частиц, однако теперь они были успешно перенаправлены на изучение воздушных масс.
Фундаментом для новой методики послужил комплексный анализ информации, полученной посредством наземного лидарного и спутникового зондирования, а также аэрологических измерений. При этом ученые столкнулись с серьезной технической проблемой. Оказалось, что прямое обучение нейросетей на исходных метеорологических массивах не дает нужного результата. Атмосфера представляет собой крайне динамичную систему, требующую учета множества взаимосвязанных факторов. Искусственному интеллекту необходимо было одновременно анализировать колебания температуры, влажности, атмосферного давления и ветровых потоков на различных высотах.
Чтобы преодолеть это ограничение, исследователи обратились к пятнадцатилетнему архиву глобального климатического реанализа ERA5, охватывающему период с 2009 по 2023 год. Огромный пласт пространственно-временных данных был преобразован в компактные цифровые коды, сохранившие физический смысл атмосферных процессов. Для тестирования различных подходов к сжатию информации и извлечению скрытого контекста лаборатория инициировала специализированный конкурс по машинному обучению.
Как отметил организатор конкурса Максим Пензин, подобный формат позволил в сжатые сроки протестировать десятки конфигураций глубоких нейронных сетей и на практике оценить способность студентов решать сложные прикладные задачи. Итоги конкурса полностью оправдали ожидания. Победителем, чья архитектура нейросети обеспечила максимальную точность и качество извлечения векторных представлений, стал магистрант второго курса Института прикладной математики и компьютерных наук ТГУ.
Талантливое решение молодого специалиста оказалось настолько перспективным, что его автора немедленно привлекли к основной научной группе. Теперь студент работает в команде над финальной доработкой модели, чтобы в ближайшем будущем обеспечить ее полноценное практическое внедрение в службы прогнозов и экологического контроля.