Devising a forward propagation artificial neural network application technology for nowcasting weather elements
Альтернативна назва
Розробка технології застосування штучної нейронної мережі прямого поширення для короткострокового прогнозування елементів погоди
Вантажиться...
Дата
2025
Науковий керівник
Укладач
Редактор
Назва журналу
ISSN
1729-3774
E-ISSN
1729-4061
Назва тому
Видавець
Технологічний центр
Анотація
The object of this paper is the procedure of applying a forward-propagation artificial neural network of surface learning for the purpose of short-term forecasting one of the weather elements – the temperature of the near-surface air layer. Known methods to forecast weather elements, namely, hydrodynamic, physical-statistical, and synoptic, have been successfully supplemented in recent years by forecasting using artificial neural networks. It has become possible to build large networks for a large amount of training data for deep learning. However, the level of development of the theory of artificial neural networks does not make it possible to build the required network. Therefore, when solving applied tasks such as the one reported in this paper, the developer has to build a forecasting system blindly or based on some heuristic considerations, experimenting with neural networks. At the same time, the path of network complexity often does not lead to a qualitative improvement in forecasting results. Therefore, during the research, the main problem to be solved was to optimize the use of a simple neural network with a well-developed training algorithm for the purpose of nowcasting meteorological elements. The optimization criterion adopted was the surface air temperature short-term forecast accuracy at different time intervals. The parameters enabling the achievement of optimality are the parameters of the data that train the network and the parameters of the network itself. By selecting these parameters, a high accuracy rate for short-term forecasts of different timeliness has been achieved. The accuracy of a three-hour forecast reaches 100 percent. The same value is achieved for the forecast accuracy with a one-day lead time. Predicting temperature values for three days has an accuracy rate exceeding 90 percent.
Об’єктом дослідження є процедура застосування штучної нейронної мережі прямого поширення поверхневого навчання для цілей короткострокового прогнозування одного з елементів погоди – температури приземного шару повітря. Відомі методи прогнозування елементів погоди, а саме, гідродинамічний, фізико-статистичний і синоптичний, останніми роками успішно доповнюються прогнозуванням за допомогою штучних нейронних мереж. З›явилася можливість будувати мережі великого розміру, під великий обсяг навчальних даних для глибокого навчання. Однак рівень розвитку теорії штучних нейронних мереж не дає змоги будувати потрібну мережу. Тому під час розв›язання прикладних задач, подібних до наведеної в статті, розробнику доводиться наосліп або на основі якихось евристичних міркувань будувати систему прогнозування, експериментуючи з нейронними мережами. При цьому шлях ускладнення мереж найчастіше до якісного поліпшення результатів прогнозування не призводить. Тому під час досліджень основною розв›язуваною проблемою була оптимізація застосування нейронної мережі з добре відпрацьованим алгоритмом навчання для цілей короткострокового прогнозування метеорологічних елементів. Як критерій оптимізації було прийнято виправдовуваність короткострокових прогнозів значень температури приземного шару повітря різної завчасності. Параметрами, що забезпечують досягнення оптимальності, виступають параметри даних, що навчають мережу, і параметри самої мережі. За рахунок добору цих параметрів досягається висока виправдовуваність короткострокових прогнозів різної завчасності. Виправданість прогнозу на три години досягає 100 відсотків. Такого ж значення досягає виправдовуваність прогнозу із завчасністю одну добу. Прогноз значень температури на три доби має виправдовуваність понад 90 відсотків.
Об’єктом дослідження є процедура застосування штучної нейронної мережі прямого поширення поверхневого навчання для цілей короткострокового прогнозування одного з елементів погоди – температури приземного шару повітря. Відомі методи прогнозування елементів погоди, а саме, гідродинамічний, фізико-статистичний і синоптичний, останніми роками успішно доповнюються прогнозуванням за допомогою штучних нейронних мереж. З›явилася можливість будувати мережі великого розміру, під великий обсяг навчальних даних для глибокого навчання. Однак рівень розвитку теорії штучних нейронних мереж не дає змоги будувати потрібну мережу. Тому під час розв›язання прикладних задач, подібних до наведеної в статті, розробнику доводиться наосліп або на основі якихось евристичних міркувань будувати систему прогнозування, експериментуючи з нейронними мережами. При цьому шлях ускладнення мереж найчастіше до якісного поліпшення результатів прогнозування не призводить. Тому під час досліджень основною розв›язуваною проблемою була оптимізація застосування нейронної мережі з добре відпрацьованим алгоритмом навчання для цілей короткострокового прогнозування метеорологічних елементів. Як критерій оптимізації було прийнято виправдовуваність короткострокових прогнозів значень температури приземного шару повітря різної завчасності. Параметрами, що забезпечують досягнення оптимальності, виступають параметри даних, що навчають мережу, і параметри самої мережі. За рахунок добору цих параметрів досягається висока виправдовуваність короткострокових прогнозів різної завчасності. Виправданість прогнозу на три години досягає 100 відсотків. Такого ж значення досягає виправдовуваність прогнозу із завчасністю одну добу. Прогноз значень температури на три доби має виправдовуваність понад 90 відсотків.
Опис
Ключові слова
forward propagation artificial neural network, nowcasting of weather elements, штучна нейронна мережа прямого поширення, короткострокове прогнозування елементів погоди
Бібліографічний опис
Devising a forward propagation artificial neural network application technology for nowcasting weather elements / B. Perelygin, H. Borovska, H. Hnatovska, A. Sergienko, T. Tkach, N. Shtefan // Eastern-European Journal of Enterprise Technologies. – 2025. – No 1/2(133) : Information technology. Industry control systems. – P. 18–32.
УДК
004.8: 551.509.32