У МТУСИ вивчили зміни клімату в Австралії.

Клімат на Землі постійно змінюється, що має значний вплив на життя людей і розвиток суспільства. За останні 420 тисяч років на планеті відбулося чотири періоди похолодання, які змінювалися міжльодовиками. Голоцен, що почався приблизно 12 тисяч років тому, характеризується відносно комфортними умовами та включає 13 циклів потепління та похолодання.

На сьогоднішній день вчені, дослідивши керни льоду з Гренландії та Антарктиди (озеро Восток), можуть відновити дані про клімат планети на кілька сотень тисячоліть назад. Приблизно 5,5 тисяч років тому розпочався голоценовий оптимум, після якого температура знизилася. З середини XIX століття спостерігається тенденція до потепління, спричинена збільшенням рівня вуглекислого газу та антропогенним впливом.

Дослідження клімату має величезне значення для оцінки стану навколишнього середовища та економіки, особливо сільського господарства. Сучасне потепління клімату стало помітним всього за одне покоління і може вплинути на ресурси та виживання людей. Аналіз минулих температур з використанням інформаційних технологій дозволяє будувати надійні кліматичні прогнози.

В останні роки спостерігається значний прогрес в обробці великих даних, що дає можливість використовувати величезні обсяги інформації для точніших прогнозів та заповнювати прогалини в спостереженнях. Концепція Інтернету речей (IoT) об'єднує пристрої для збору даних, відкриваючи нові горизонти для наукових досліджень.

Вікторія Єрофєєва, доцент кафедри ЕБЖиЕ, Жанна Жукова, старший викладач кафедри ЕБЖиЕ та група студентів факультету «Кібернетика та інформаційна безпека» порівняли методи обробки доступних масивів даних про температуру за кількома метеорологічними станціями штату Квінсленд (Австралія) за історичний період до 2018 року і провели контрольне прогнозування на наступні п’ять років, а також підсумкове передбачення зміни температур до 2030 року з використанням штучного інтелекту.

Для аналізу та прогнозування кліматичних змін у дослідженні був обраний штат Квінсленд, Австралія, з безліччю метеорологічних станцій та тривалими температурними рядами. Використовувалися дані середніх річних температур по станціях, зібрані в два файли: перший файл містив дані з фактичними температурами для 236 станцій за період спостережень з 1856 по 2022 роки, а другий файл – дані п’яти станцій, що знаходяться на різних широтах за той же період.

Для прогнозування температури з першого файлу застосовувалися такі методи, як k-nearest neighbors (KNN), Linear Regression (лінійна регресія) та seasonal autoregressive integrated moving average (SARIMA), без використання випадкового розподілу.

Для наглядної демонстрації роботи з безлічі станцій було обрано дев’ять з тривалими рядами спостережень. Більш детальне порівняння змінності температури з другого файлу проведено з використанням методу «випадкового лісу» (Random Forest Regressor) для п’яти станцій. З його допомогою можна порівняти максимальні та мінімальні прогнозовані температури з реальними значеннями. Методи оцінювалися на основі середньої квадратичної помилки (MSE).

«Точність прогнозу для станцій з другого файлу була розрахована для двох прогонів, оскільки при прогнозуванні застосовувався випадковий розподіл з використанням методу випадкового лісу. Кожен прогін програми видає нові значення, основані на тих, що доступні в файлі №2. В результаті отримані прогнози, що враховують випадкові величини, різні (але не значно) для кожного прогону програми.

Точність була розрахована шляхом порівняння прогнозованих температур для двох прогонів з фактичними температурами з першого файлу. У результаті порівняння різних методів при прогнозуванні random forest regressor показав, що цей метод прогнозує значення температур з точністю не нижче 96 відсотків, а найменша середньоквадратична помилка обчислюється в методі k-nearest neighbors (KNN): 0,175. На основі random forest regressor ми провели прогнозування по п’яти станціях до 2030 року», — зазначила Вікторія Єрофєєва.

У процесі дослідження вчені відзначили, що точність прогнозів залежить від розміру початкового набору даних і кількості гіперпараметрів, таких як глибина дерев у випадковому лісі, швидкість навчання при градієнтному прискоренні, коефіцієнт регуляризації в лінійних моделях, кількість сусідів у методі k найближчих сусідів та різні показники, що використовуються для оцінки моделі.

«Порівняння температур на п’яти станціях для першого файлу методом регресії випадкового лісу показало, що найбільші максимальні та мінімальні температури прогнозуються на станціях Вейпа та Аеропорт Локхарт, а найменші — на станціях Амберлі та Аплторп», — розповіла Жанна Сергіївна Жукова.

Важливим аспектом дослідження є використання машинного навчання та великих даних для прогнозування майбутніх температурних режимів, забезпечуючи більш повне розуміння складних процесів, що відбуваються в атмосфері. Отримані результати можуть слугувати основою для розвитку прогностичних моделей, що враховують як глобальні тренди, так і локальні особливості кліматичної динаміки.

Більш детальні дані про майбутні температурні зміни можуть бути використані для покращення сільськогосподарських практик, урбаністичного планування та екологічного проектування в умовах зміни клімату.

Матеріал підготовлений на основі статті «Порівняння методів прогнозування температур за даними штату Квінсленд, Австралія».