<?xml version="1.0"?>
<rdf:RDF xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#" xmlns:dc="http://purl.org/dc/elements/1.1/"><rdf:Description rdf:about="https://repozitorij.uni-lj.si/IzpisGradiva.php?id=150234"><dc:title>Napovedovanje vremena s konvolucijskimi nevronskimi mrežami</dc:title><dc:creator>Perkan,	Uroš	(Avtor)
	</dc:creator><dc:creator>Skok,	Gregor	(Mentor)
	</dc:creator><dc:creator>Zaplotnik,	Žiga	(Komentor)
	</dc:creator><dc:subject>strojno učenje</dc:subject><dc:subject>napovedovanje vremena</dc:subject><dc:subject>konvolucijske nevronske mreže</dc:subject><dc:subject>konvolucijski kodirnik</dc:subject><dc:subject>robni pogoji</dc:subject><dc:subject>povprečna kvadratna napaka</dc:subject><dc:subject>koeficient korelacij anomalij</dc:subject><dc:subject>tropski cikloni</dc:subject><dc:description>V okviru magistrske naloge razvijemo model za napovedovanje vremena ConvCastNet, ki temelji na konvolucijskih nevronskih mrežah. Podatke za učenje nevronske mreže pridobimo iz ERA5 reanalize in jih interpoliramo na ekviangularno mrežo z ločljivostjo 3°, pri čemer uporabimo 10 spremenljivk, ki opisujejo stanje ozračja, površine morja in kopnega ter 3 statična polja. Razvijemo nov način obravnave robnih pogojev s konvolucijskimi nevronskimi mrežami, s katerim se znebimo računskih težav, povezanih z matrično predstavitvijo podatkov. Model optimiziramo z analizo delovanja komponent konvolucijskih nevronskih mrež in algoritma za njihovo učenje. Vremensko napoved izvajamo z avtoregresijo dnevno povprečenih spremenljivk. ConvCastNet pri napovedovanju višine geopotenciala na 500 hPa ploskvi doseže 7,8 dni z vrednostjo koeficienta korelacij anomalij večjo od 0,6, s čimer se pri tej metriki približa rezultatom najnovejših modelov strojnega učenja in fizikalnemu determinističnemu visokoresolucijskemu modelu (HRES) Evropskega centra za srednjeročne vremenske napovedi (ECMWF). Pri napovedovanju poti tropskih ciklonov ConvCastNet več dni sledi njihovi dejanski trajektoriji in njihovo intenziteto povečuje ali zmanjšuje sorazmerno ERA5 reanalizi. Kljub temu imajo njegove napovedi omejeno uporabnost, saj je za oceno vpliva takšnih ekstremnih dogodkov na ljudi pomembno napovedovanje njihovih trenutnih in lokalnih karakteristik, kar zaradi dnevnega povprečenja podatkov in 3° horizontalne ločljivosti ni izvedljivo. Analiza napak modelskih napovedi v letu 2022 pokaže, da je njihova magnituda največja na baroklinih območjih v visokih geografskih širinah. Normiranje napake z naravno variabilnostjo pa pokaže, da te glede na tipično hitrost spreminjanja vremena najhitreje naraščajo v tropskih predelih.</dc:description><dc:date>2023</dc:date><dc:date>2023-09-15 08:15:15</dc:date><dc:type>Magistrsko delo/naloga</dc:type><dc:identifier>150234</dc:identifier><dc:language>sl</dc:language></rdf:Description></rdf:RDF>