Прогноз погоды – научно обоснованное предположение о предстоящих изменениях погоды, составленное на основе анализа развития крупномасштабных атмосферных процессов.

В настоящее время прогноз погоды для локального уровня (город) создается национальными метеорологическими центрами. В них для получения прогноза погоды на локальном уровне используются данные, рассчитанные на глобальной модели прогноза погоды. Так как эти модели являются крупномасштабными, то точно они могут предсказывать только погодные системы, которые в несколько раз превышают шаг сетки, и поэтому явления в меньших масштабах должны представляться в приближенном виде с использованием статистических и других методов [4]. Эти ограничения в глобальных моделях прогноза оказывают особое влияние на подробные прогнозы местных элементов погоды, таких, как облачность и туман, а также экстремальных явлений, таких, как интенсивные осадки и максимальные порывы ветра. Поэтому необходимо создание прогностических моделей, адаптированных для локального уровня, и позволяющих рассчитывать более точный прогноз погоды. Совокупность локальных моделей прогноза позволит повысить также и точность прогноза на национальном уровне.

Для прогноза погоды на глобальном уровне в данное время используются модели численного прогнозирования. Использование таких моделей для локального уровня является затруднительным, так как для их реализации необходимы значительные затраты, как финансовые (большие вычислительные мощности), так и интеллектуальные (разработка математической модели прогноза, адаптированной для локального уровня). Другим вариантом решения проблемы локального прогноза погоды является использование нейросетевых моделей.

Возможность использования нейронных сетей для прогноза погоды исследуется в течение продолжительного времени. Преимущество нейронных сетей заключается в том, что они хорошо описывают поведение нелинейных систем (а модель погоды является нелинейной системой). Существует несколько подходов прогнозирования с помощью нейросетей. Один из таких подходов заключается в использовании ансамбля искусственных нейронных сетей (an ensemble of artificial neural networks) для прогноза погоды [1]. Ансамбль состоит из конечного числа нейронных сетей, которые обучены для одной и той же цели. В общем случае ансамбль сетей строится в два этапа: обучение числа компонент нейронных сетей и затем объединение предсказаний этих компонент. Ансамблевые методы объединяют выходы нескольких нейросетей. Выход ансамбля представляет собой взвешенное среднее каждой нейросети, где вес определяется как функция относительной ошибки каждой сети, определенной при обучении. В итоге результирующая сеть часто превосходит каждую из составляющих сетей. В качестве составных частей ансамбля можно использовать нейронные сети следующих типов: MLPN, ERNN, RBFN и HFM, причем комбинации этих сетей могут быть различны. Архитектура сети представлена на рисунке 1 [1]. Исследования показывают, что ансамблевый метод дает более высокую точность прогноза по сравнению с одинарными нейросетями или регрессионными моделями [1], [3].

Рисунок 1 – Архитектура ансамбля нейросетей

Одной из проблем прогноза погоды с использованием нейросетевых моделей является определение количества и типа метеорологических переменных, которые будут использоваться при построении нейросети. Например, в одном из исследований для прогноза скорости ветра в качестве входных переменных использовались скорость ветра, порывы ветра, направление ветра, чистая атмосферная радиация, температура воздуха, относительная влажность, атмосферное давление, видимость, длительность солнечного света, осадки, солнечная радиация. В результате проведенных тестов по перебору и чередованию входных переменных и подбору сети было получено, что для прогноза скорости ветра необходимы следующие переменные: скорость ветра, температура, относительная влажность, атмосферное давление, чистая атмосферная радиация и осадки [2].

Таким образом, для построения нейросетевой модели локального прогноза погоды для города Донецк необходимо провести исследования по целесообразности использования либо ансамбля нейросетей либо одинарной сети. Также необходимо подобрать наиболее оптимальные нейросети, которые наиболее точно будут предсказывать требуемые метеорологические величины. В настоящее время в Донецке существует возможность измерять значения следующих величин: атмосферное давление, скорость и направление ветра на высоте 10 м, температура воздуха в приземном слое, температура почвы, относительная влажность, точка росы, парциальное давление водяного пара, дефицит насыщения, количество осадков, видимость (м), высота нижней границы облачности (м). Поэтому одной из наиболее сложных задач при создании нейросети является определение необходимых входных метеорологических величин для получения прогноза температуры, скорости и направления ветра, относительной влажности, атмосферного давления, осадков, облачности применительно к имеющимся исходным данным по городу Донецк.
Литература
[1] Imran Maqsood, Muhammad Riaz Khan, Ajith Abraham - An ensemble of neural networks for weather forecasting. Neural Comput & Applic (2004) 13: 112–122 DOI 10.1007/s00521-004-0413-4 © Springer-Verlag London Limited 2004
[2] C. Perez-Llera, M.C. Fernandez-Baizan, J.L. Feitoc and V. Gonzalez del Valle - Local Short-Term Prediction of Wind Speed: A Neural Network Analysis
[3] Neural Network Load Forecasting with Weather Ensemble Predictions. James W. Taylor and Roberto Buizza IEEE Trans. on Power Systems, 2002, Vol. 17, pp. 626-632.
[4] Белов П.Н., Борисенков Е.П., Панин Б.Д. Численные методы прогноза погоды – Л.: Гидрометеоиздат, 1989. – 375с