Simulacija neviht z modeli strojnega učenjaBradeško Jekovec, Timotej (Avtor) Marolt, Matija (Mentor) Bohak, Ciril (Komentor) strojno učenjenumerično napovedovanje vremenaCM1U-Netsimulacija nevihtkonvolucijske nevronske mrežeatmosferske simulacijepospeševanje numeričnih simulacijNumerične simulacije vremena predstavljajo pomembno orodje za raziskovanje atmosferskih procesov in razumevanje razvoja kompleksnih vremenskih pojavov, kot so nevihte. Visokoločljivostni numerični modeli omogočajo podroben opis tridimenzionalne strukture konvektivnih sistemov, vendar so zaradi velike računske zahtevnosti časovno potratni. Zaradi tega je njihova uporaba omejena pri aplikacijah, kjer so potrebni hitri izračuni oziroma simulacije v realnem času. Namen diplomskega dela je bil raziskati možnost pospešitve simulacij neviht z uporabo metod strojnega učenja ob čim večjem ohranjanju podobnosti z rezultati numeričnega atmosferskega modela. Za generiranje učnih podatkov je bil uporabljen numerični model Model Oblak 1 (angl.\ Cloud Model 1, CM1), s katerim so bile izvedene idealizirane visokoločljivostne simulacije razvoja posameznih neviht. Iz izhodnih podatkov modela CM1 so bile izbrane meteorološke spremenljivke, ki opisujejo tridimenzionalno strukturo nevihte, razvoj konvekcije, porazdelitev hidrometeorjev in vetrovno polje. Za napovedovanje nadaljnjega razvoja simulacije je bila uporabljena tridimenzionalna konvolucijska nevronska mreža arhitekture U-Net, ki na podlagi začetnega zaporedja časovnih korakov napoveduje prihodnja stanja atmosfere. Posebna pozornost je bila namenjena pripravi učnih podatkov, razdelitvi razvoja nevihte na posamezne faze ter avtoregresivnemu generiranju zaporednih časovnih korakov. Uspešnost modela je bila ovrednotena z vizualno primerjavo simulacij ter z uporabo evalvacijskih metrik, kot so srednja kvadratna napaka (angl.\ Mean Squared Error -- MSE), srednja absolutna napaka (angl.\ Mean Absolute Error -- MAE), Pearsonov koeficient korelacije (angl.\ Pearson Correlation Coefficient -- PCC) in kazalnik strukturne podobnosti (angl.\ Structural Similarity Index Measure -- SSIM). Rezultati so pokazali, da je mogoče z uporabo strojnega učenja bistveno pospešiti simuliranje razvoja nevihte. Celotna simulacija, ki se je pri numeričnem modelu CM1 simulirala približno 100 minut, je bila z razvito metodo generirana v približno 45 sekundah, kar predstavlja približno 133-kratno pohitritev glede na CM1 in 160-kratno pohitritev glede na realni čas. Pri primerjavi s simulacijami CM1 je model dobro posnemal razvoj stabilnih začetnih pogojev ozračja ter nestabilne simulacije, ki so bile podobne učnim podatkom. Model je uspešno ohranil glavno strukturo nevihte, razvoj konvekcije ter povezave med posameznimi meteorološkimi spremenljivkami. Opazna je bila predvsem manjša količina prostorskih podrobnosti, saj je model pri napovedovanju nekoliko poenostavil strukture. Pri testih z drugačnimi začetnimi pogoji se je pokazalo, da ima model omejeno sposobnost prilagajanja. Sprememba terena in premik začetne sprožitve konvekcije sta povzročila manjše razlike, medtem ko sprememba smeri horizontalnega vetra ni bila pravilno upoštevana. Model je v tem primeru sledil vzorcem, naučenim iz učnih podatkov, namesto da bi prilagodil razvoj nevihte novim pogojem. Rezultati potrjujejo, da lahko metode strojnega učenja učinkovito pospešijo visokoločljivostne simulacije neviht in omogočajo bistveno hitrejše generiranje prihodnjih atmosferskih stanj. Razvita rešitev predstavlja osnovo za nadaljnji razvoj tovrstnih modelov, pri katerih bi bilo mogoče z izboljšano arhitekturo, večjim številom učnih simulacij in širšim naborom začetnih pogojev doseči večjo natančnost ter boljšo sposobnost prilagajanja na različne atmosferske razmere.20262026-08-24 13:20:12Diplomsko delo185951sl