Pozdravljen Uro\u0161. \u010cestitke ob zaklju\u010dku \u0161tudija. V svoji magistrski nalogi se posve\u010da\u0161 uporabi sodobnih metod strojnega u\u010denja za napovedovanje vremena. Tvoja naloga sodi na podro\u010dje numeri\u010dnega napovedovanja vremena. Naslov tvoje zaklju\u010dne naloge je \u201cNapovedovanje vremena s konvolucijskimi nevronskimi mre\u017eami\u201d Nalogo si opravil pod mentorstvom izr. prof. dr. Gregorja Skoka (FMF) ter somentorstvom doc. dr. \u017dige Zaplotnika (ECMWF).<\/p>\n\n\n\n
Prosim, da na kratek in poljuden na\u010din predstavi\u0161 ozadje in raziskovalno vpra\u0161anje tvoje naloge.<\/strong><\/p>\n\n\n\n V zadnjih letih so metode strojnega u\u010denja postale pomembno orodje, s katerim lahko re\u0161imo mno\u017eico razli\u010dnih nalog, kot je prevajanje besedila med razli\u010dnimi jeziki (npr. google prevajalnik), prepoznavanje obrazov pri izvajanju fotografij (npr. na pametnih telefonih), prepoznavanje glasbe (npr. aplikacija Shazam), predlaganje uporabniku prilagojenih reklam in videoposnetkov na spletnih straneh in dru\u017ebenih omre\u017ejih … Uporabne pa so tudi v znanosti. Z njimi lahko razvr\u0161\u010damo pojave v skupine s podobnimi lastnostmi (npr. razvr\u0161\u010damo zvezde v skupine glede na starost in kemijsko sestavo s pomo\u010djo meritev njihovega svetlobnega izseva), re\u0161ujemo ena\u010dbe (npr. pri simulaciji toka teko\u010din), napovedujemo razvoj stanj sistemov v prihodnosti (npr. napovedovanje zastojev na cesti ali porabe elektri\u010dne energije), na podlagi znanih podatkov o trenutnem stanju, ali i\u0161\u010demo ena\u010dbe, ki opisujejo naravne pojave.<\/p>\n\n\n\n Na podro\u010dju napovedovanja vremena so bili v zadnjih desetletjih razviti zelo kakovostni modeli za izra\u010dunavanje vremenskih napovedi, ki slonijo na fizikalnih ena\u010dbah. S pomo\u010djo satelitov, vertikalnih sonda\u017e, letal, ladij, morskih boj in mnogih drugih merilnikov lahko ocenimo, kak\u0161no je stanje celotnega ozra\u010dja v danem trenutku, s fizikalnimi ena\u010dbami pa na podlagi trenutnega stanja izra\u010dunamo nadaljnji razvoj vremena, ki je temelj za opisno vremensko napoved v meteorolo\u0161kih centrih. V zadnjih letih je bilo izvedenih ve\u010d poskusov, v katerih namesto fizikalnega za napovedovanje uporabijo model strojnega u\u010denja. To smo storili tudi v moji magistrski nalogi.<\/p>\n\n\n\n Veliki meteorolo\u0161ki centri, kot je Evropski center za srednjero\u010dne vremenske napovedi (ECMWF), so s pomo\u010djo atmosferskih meritev rekonstruirali stanje ozra\u010dja v zadnjih desetletjih. Tak\u0161ne rekonstrukcije vremena imenujemo reanalize in v njih so shranjeni podatki o temperaturi, vlagi, vetru, padavinah in mnogih drugih lastnostih atmosfere. Model strojnega u\u010denja se napovedovanja u\u010di na reanalizah, pri \u010demer model pre\u010de\u0161e vse podatke in se pri tem posku\u0161a nau\u010diti povezav med razli\u010dnimi spremenljivkami ter izvesti napoved, ki je \u010dim bolj podobna dejanskemu razvoju stanja atmosfere. Kot zgled si lahko predstavljamo napovedovanje padavin na obmo\u010djih vremenskih front. Algoritem bi se lahko na podlagi podatkov o vremenu v preteklosti nau\u010dil, da ob frontah, na mejah med toplim in hladnim zrakom, pogosto pride do padavin. S pomo\u010djo podatkov o temperaturi, zra\u010dnem tlaku in vetrovih pa bi lahko ocenil tudi intenziteto in obliko padavin na fronti.<\/p>\n\n\n\n Strojno u\u010denje zajema veliko \u0161tevilo razli\u010dnih algoritmov, ki se razlikujejo po obliki in koli\u010dini podatkov, na katerih se u\u010dijo, ra\u010dunski zahtevnosti, prilagodljivosti na nalogo, ki jo re\u0161ujejo itd. Pri napovedovanju vremena trenutno raziskujemo razli\u010dne oblike umetnih nevronskih mre\u017e. Te so poenostavljen matemati\u010den model delovanja \u017eiv\u010devja, oz. biolo\u0161kih nevronskih mre\u017e, v katerem signali potujejo po sinapsah od nevrona do nevrona, pri tem pa se nekateri signali oja\u010dijo, drugi pa oslabijo. V magistrski nalogi uporabimo t. i. konvolucijske nevronske mre\u017ee, ki se u\u010dijo prepoznavati prostorske vremenske vzorce oz. povezave znotraj atmosferskih polj. Cilj magistrske naloge je bila konstrukcija konvolucijske nevronske mre\u017ee in u\u010dnega algoritma, ki privede do \u010dim bolj\u0161e vremenske napovedi na obmo\u010dju celotnega planeta (t. i. model za globalno napovedovanje vremena).<\/p>\n\n\n\n Kak\u0161ni pa so glavni rezultati in ugotovitve, do katerih si pri\u0161el?<\/strong><\/p>\n\n\n\n Napovedovanje vremena je zahteven problem, saj so vremenski pojavi pogosto izrazito nepredvidljivi. Konstrukcija modela strojnega u\u010denja, ki je sposoben kakovostnega napovedovanja vremena, je zato te\u017eaven proces preizku\u0161anja razli\u010dnih idej in optimizacije celotnega algoritma. Kon\u010dna verzija na\u0161ega modela je sposobna napovedovati vreme na t. i. sinopti\u010dnih skalah, tj. napovedovati zna pojave velikosti pribli\u017eno 1000 km, kot so cikloni in anticikloni, vro\u010dinski valovi, prodori hladnega zraka (potovanja hladnega polarnega zraka proti jugu) itd. Kakovost napovedi na\u0161ega modela se na teh velikostnih skalah pribli\u017ea kakovosti napovedi fizikalnega vremenskega modela ECMWF in nekaterih modelov strojnega u\u010denja, ki so jih ustvarile ve\u010dje korporacije, npr. Google, Nvidia, Huawei itd. Z njim lahko ve\u010d dni vnaprej napovemo poti tropskih ciklonov in nekatere vremenske vzorce v zmernih geografskih \u0161irinah. Kljub temu so njegove napovedi vseeno nekoliko manj zanesljive od zgoraj omenjenih modelov, kar je deloma posledica manj\u0161ih ra\u010dunskih zmogljivosti, ki jih imamo na voljo, deloma pa dejstva, da pri njihovih projektih sodeluje ve\u010d strokovnjakov hkrati, zato je lahko razvoj njihovih modelov hitrej\u0161i. Ena izmed trenutnih pomanjkljivosti na\u0161ega modela je nizka lo\u010dljivost vremenskih napovedi, zaradi \u010desar ne moremo napovedati lokalnih vremenskih ekstremov. Poleg tega se na\u0161 model, tako kot ostali modeli strojnega u\u010denja zgoraj omenjenih korporacij, po ve\u010d dneh napovedi spopada s postopnim nerealisti\u010dnim \u00bbglajenjem\u00ab napovedi. V napovedanih padavinskih poljih zato namesto dobro razlo\u010denih neviht in vremenskih front dobimo enakomerno \u00bbrazmazane\u00ab padavine na ve\u010djem obmo\u010dju. Hkrati so v napovedih podcenjene vrednosti zra\u010dnega tlaka v sredi\u0161\u010dih ciklonov in anticiklonov, podcenjene temperature v vro\u010dinskih valovih, v prodorih polarnega zraka pa so temperature precenjene. To so te\u017eave, ki jih bo treba v prihodnosti re\u0161iti, \u010de \u017eelimo imeti uporabne vremenske modele strojnega u\u010denja.<\/p>\n\n\n\n Ker so nekateri vremenski procesi te\u017eje napovedljivi, npr. intenzivno poglabljanje ciklonov, tak\u0161na obmo\u010dja delujejo kot izvor napak, ki se nato \u0161irijo in ob kasnej\u0161em \u010dasu zmanj\u0161ajo kakovost vremenske napovedi drugod. Posledi\u010dno smo v magistrskem delu analizirali napako napovedi na\u0161ega modela in poiskali obmo\u010dja, na katerih je napaka napovedi najve\u010dja. S tem smo pri\u0161li do dodatnih informacij, ki so uporabne za diagnostiko morebitnih vremenskih procesov, ki modelu povzro\u010dajo najve\u010d te\u017eav. Prav tako smo ugotovili, da se napovedi slab\u0161ajo, ko se \u010dasovno oddaljujemo od podatkov, ki smo jih uporabili za u\u010denje modela. Kakovost modelske napovedi se torej spreminja tudi zaradi globalnega segrevanja in nekaterih drugih sprememb, npr. tokov oceanov. Posledi\u010dno je treba tudi model sproti u\u010diti na novih podatkih.<\/p>\n\n\n\n Prvi modeli strojnega u\u010denja za napovedovanje vremena so pokazali, da imajo ti velik potencial za kakovostno napovedovanje vremena. V prihodnosti bodo vremenski modeli verjetno kombinirali fizikalno predznanje o gibanju atmosfere in algoritme strojnega u\u010denja, kjer se bodo slednji nau\u010dili upo\u0161tevati vplive procesov, ki jih ne zmoremo neposredno izmeriti ali numeri\u010dno izra\u010dunati. Vpeljava strojnega u\u010denja na podro\u010dje napovedovanja vremena torej prina\u0161a nove metode, s katerimi bomo morebiti re\u0161ili nekatere te\u017eave trenutnih modelov in izbolj\u0161ali vremensko napoved.<\/p>\n\n\n\n Hvala za odgovore in veliko sre\u010de \u0161e naprej.<\/p>\n\n\n\n