РОСТОВ-НА-ДОНУ, 5 августа. /ТАСС/. Ученые из Южного федерального университета (ЮФУ) и Санкт-Петербургского государственного морского технического университета (СПбГМТУ) провели исследование для демонстрации возможностей искусственного интеллекта (ИИ) в прогнозировании долгосрочных климатических изменений. Об этом сообщила пресс-служба ЮФУ.
"Архитектуры глубоких рекуррентных нейронных сетей (DRNN) и DRNN с блоками Gated Recurrent Units (DRNN-GRU), исследованные в работе "Улучшение долгосрочного прогнозирования температуры воздуха с помощью архитектуры глубокого обучения", показали эффективность нейросетей в задачах долгосрочного прогнозирования температуры. Применение таких моделей позволяет не только повысить точность прогнозов, но и лучше понять климатические процессы, что особенно актуально в свете глобальных изменений климата", - говорится в сообщении.
Отмечается, что в рамках проведенного исследования была осуществлена работа с обширным набором данных, собранных за период с 1961 по 2023 год. Информация включала в себя показатели температуры воздуха, атмосферного давления и уровня осадков, что позволило провести всесторонний анализ климатических условий на протяжении длительного периода времени.
Ведущий научный сотрудник кафедры океанологии института наук о земле ЮФУ Денис Кривогуз рассказал, что основная работа была направлена на изучение потенциала области для повышения точности прогнозов. "Стоит отметить, что при сравнении прогнозов с фактическими данными в периоды экстремальных погодных условий, наблюдалось увеличение отклонений. Несмотря на это, обе ИИ-модели успешно предсказывали общие тенденции изменения температур, демонстрируя их пригодность для практического использования в системах долгосрочного прогнозирования погоды", - добавил Кривогуз.
Ключевую часть исследования составил анализ сопоставления прогнозируемых и фактических температурных данных для оценки точности и надежности моделей глубокого обучения. "Модели DRNN и DRNN-GRU демонстрировали значительное превосходство в точности прогнозирования по сравнению с традиционными методами, благодаря глубокому анализу временных зависимостей и высокой адаптивности к изменениям в данных", - поделился декан факультета цифровых промышленных технологий СПбГМТУ Антон Жиленков.
Перспективы исследования
В исследовании указано, что прогнозы, сгенерированные моделью DRNN, в большинстве случаев демонстрировали высокую степень соответствия фактическим температурным показателям с небольшими отклонениями в пределах двух градусов по Цельсию. Так, при анализе температурных данных за летний период 2023 года прогнозы DRNN показали отклонение от фактических данных на 1,5 градуса по Цельсию, что является допустимым показателем для долгосрочного прогнозирования. Модель DRNN-GRU, в свою очередь, продемонстрировала еще более точные результаты, сократив среднее отклонение до 1,2 градуса по Цельсию.
В пресс-службе добавили, что разработанные модели могут стать основой для создания новых систем управления в сельском хозяйстве, способных адаптироваться к изменяющимся климатическим условиям. ии.