CC BY
35
МЕТЕОРОЛОГИЯ
УДК 502.58; 504.056; 502.58.001.18
ПРИМЕНЕНИЕ МЕТОДОВ НЕЙРОПРОГРАММИРОВАНИЯ ДЛЯ ОПРЕДЕЛЕНИЯ
РИСКОВ ОПАСНЫХ ЯВЛЕНИЙ ПОГОДЫ
© 2008 г. Е.С. Андреева
Российский государственный гидрометеорологический универ- Russian State Hydrometeorological University,
ситет, 195196, г. Санкт-Петербург, пр. Малоохтинский, 98, 195196, SaintPetersbourgu Malookhtinsky Ave, 98,
elena_ andreyeva@front. ru elena_ andreyeva@front. ru
Представлены результаты апробации методов нейропрограммирования для вычисления рисков опасных явлений погоды на основе созданных нейросетей Кохонена.
Ключевые слова: риски опасных явлений погоды, методы нейропрограммирования, сети Кохонена, вычисление рисков опасных явлений погоды.
In this article introduce results of approbation the neyro - methods for calculus risks dangerous weather phenomenon on basis of arise neyro-net of Kohonen.
Keywords: risks of dangerous phenomena of weather, methods of neuroprogramming, net of Kohonens, calculation risks of dangerous phenomena of weather.
Методы нейропрограммирования целесообразно применять для расчета рисков или вероятностей опасных явлений (ОЯ) погоды, так как они отличаются известной гибкостью изменения настройки входящих условий и могут быть использованы для решения нелинейных задач, а погодные явления отличаются нелинейностью.
Постановка задачи
Данное исследование посвящено обоснованию возможности применения искусственных нейросетей для расчета рисков ОЯ погоды, для которых упомянутые методы апробируются впервые.
Под искусственной нейронной сетью будем понимать структуру, состоящую из элементарных преобразующих компонент (нейронов) и связей между ними [1].
Нейросети практически являются моделью интеллектуальной деятельности центральной нервной системы и мозга человека. Поэтому интеллектуальные системы на основе искусственных нейронных сетей позволяют с успехом решать проблемы распознавания образов, выполнения прогнозов, оптимизации, ассоциативной памяти и управления [2].
Для реализации поставленной задачи будем использовать сети Кохонена. Выбор данной разновидности нейросетей обусловлен тем, что графическое изображение этой сети в виде многомерных решеток в определенном числовом поле с тем или иным количеством нейронов согласуется с особенностями входящих параметров, которые представлены в виде ежедневных метеорологических данных с определенными географическими координатами. Кроме того, сети Кохонена отличает способность к самообучению, интуитивному анализу информации.
На рис. 1 показан фрагмент построенной сети, представляющей собой многомерную решетку, с каждым узлом которой ассоциирован весовой вектор (набор из k весов нейрона) в разрезе. В данном случае работа нейрона (элементарного компонента сети) складывается из анализа заданных метеопараметров: температура воздуха, К, облачность, %, количество осадков, мм, векторные составляющие скорости геострофического ветра, м/с, атмосферное приземное давление, гПа.
Рис. 1. Общий вид сети Кохонена при анализе метеоситуации
Множества входных данных, используемых для работы сети, могут быть детерминированными или
стохастическими (с определенной долей шумов и различными комбинациями или сочетанием усеченных законов распределения) [3]. Опасным явлениям погоды, во временных рядах которых присутствует шумовая составляющая, в большей степени соответствуют стохастичность и дискретные усеченные комбинированные законы распределения.
Точность выходных данных определяется и зависит от набора входных параметров, а также от возможности глобального изменения анализируемой ситуации. В рамках данного исследования в качестве входящих параметров используется достаточный комплекс вводимых числовых значений (в пределах шестимерного пространства), которые представляют собой ежедневные метеорологические данные за 55-летний период.
Исходные данные и их обработка
Для реализации поставленной задачи была создана отдельная база данных в виде нормального (без ОЯ погоды) числового поля, ограниченного квадратом со сторонами 60 - 400 с.ш., 40 - 600 в.д. В ее состав входили ежедневные метеорологические данные, включающие облачность, количество осадков, атмосферное давление, температуру воздуха, составляющие геострофического ветра. На основе данных об ОЯ погоды была получена вторая база метеорологической ситуации для дат ОЯ.
В качестве источников метеорологической информации были использованы данные Северо-Кавказского управления по гидрометеорологии (СК УГМС), а также архив МСР^САЯ с 1948 по 2005 г.
Были проанализированы соответствующие метеорологические ежемесячники (ежедневные данные по температуре воздуха и количеству осадков) по 22 метеорологическим станциям, принадлежащим СК УГМС, а также журналы ТМ-1 и технические отчеты по ОЯ погоды за период времени с 1948 по 2005 г. Выбор станций обусловлен их репрезентативностью в аспекте климатических условий и повторяемостью ОЯ, что согласуется с проведенным автором климатическим районированим [4]. Ежедневные данные по атмосферному давлению, скоростям геострофического ветра и облачности были взяты в архиве МСР^САЯ с 1948 по 2005 г. для географических координат исследуемых метеорологических станций.
Поскольку все указанные метеорологические элементы имеют свои размерности и различные масштабы изменения значений, было необходимо ввести специальный коэффициент для их согласования между собой.
Обработка базы данных производилась следующим образом:
- производился пересчет диапазона изменения значений величин метеоэлементов от 0 до 100 с введением соответствующего коээфициента;
- нормировался вектор метеорологической ситуации для каждого дня;
- оценивалась вероятность возникновения ОЯ при помощи программы-имитатора нейронной сети.
Рисками, или вероятностями прогнозируемых ОЯ, исходя из данных условий, считалось отношение концентрации нейронов в окрестности исследуемой точ-
ки к максимальной концентрации нейронов в пространстве задачи (строго говоря, выходными данными является отношение концентрации нейронов в окрестности исследуемой точки к максимальной концентрации нейронов в пространстве задачи).
Этапы реализации задачи
Работа и настройка сети заключалась в том, что начальные значения координат нейронов выбираются случайно. Затем производилось нормирование вектора координат нейронов. Определялся нейрон-победитель. Для каждого ОЯ погоды производилась коррекция векторов координат всех нейронов. Коррекция вектора координат производилась с помощью кусочно-аналитической функции. Обучение сети осуществляется в два этапа. Во время первого этапа окрестность нейрона-победителя достаточно велика, а функция коррекции для нейронов, не попавших в окрестность победителя, не равна нулю. Во время второго этапа окрестность нейрона-победителя, близка к нулю, функция коррекции для нейронов, не попавших в окрестность победителя равна нулю.
На рис. 2 показано осуществление двух этапов обучения сети для трех параметров (атмосферное давление, количество осадков и температура воздуха); процедура сохраняется для оставшихся из шести возможных параметров.
Р.гПа
О
О
О о
о
, ■ УО
—►
о
о
т, к
Рис. 2. Схема обучения нейрона для случая трехмерного пространства параметров
Окрестность нейрона-победителя представляет собой круговую область, в которую стремятся другие нейроны из пространства сети. При этом и нейрон-победитель, и остальные нейроны устремляются к той точке в пространстве сети, для которой при наборе из шести метеопараметров наблюдались опасные явления погоды.
В процессе обучения и работы сети нейроны продолжают скапливаться в определенных точках многомерной решетки, соответствующих сочетанию метеопараметров при опасных явлениях погоды, и образуют так называемые «облака», или области с максимальной своей концентрацией (показано на рис. 3 для трех параметров в рамках трехмерного пространства).
Результатом работы программы является отношение количества нейронов в его окрестности к максимальной концентрации. На рис. 4 представлена процедура определения вероятности или риска ОЯ. В
данном случае рассчитывается площадь фигуры, которая получается при пересечении окрестности нейрона-победителя с «облаком нейронов».
Ошибка!
Q, мм
Рис. 3. Работа обученной нейросети для случая трехмерного пространства параметров
Рис. 4. Определение вероятности появления аномалии
Модель нейронной сети создана с использованием технологии .NET на языке Visual Basic.
При вызове программы на экране пользователя появляется главная форма программы.
В окне «число нейронов» указывается желательное количество нейронов решетки, участвующих в формировании результата.
В окне «число входов» указывается количество параметров, характеризующих метеорологическую обстановку. Данное число не должно превышать количество столбцов таблиц входных файлов.
После обучения нейросети максимальная концентрация нейронов в пространстве принимается за единицу.
Обсуждение результатов
полученных значений вероятностей или рисков опасных явлений погоды менялся от 0 до 0,96.
Созданная нейросеть Кохонена позволяет на данном первом этапе решать только количественную задачу - расчет рисков ОЯ погоды. Качественная интерпретация результатов и отнесение тех или иных полученных значений вероятности к тому или иному ОЯ является следующей ее задачей, которая будет решаться на втором этапе.
Однако уже для первого этапа возможно осуществление прогноза возможности возникновения того или ОЯ погоды для конкретной даты на основании дополнительного анализа статистических данных о тенденциях внутригодового распределения частот исследуемого явления для определенной метеорологической станции.
Изучение различных сочетаний метеоэлементов, в большинстве случаев приводивших к тем или иным ОЯ погоды, позволило, на основании типизации, выявить ситуацию, соответствующую появлению сильных ветров и дождей, града, пыльных бурь, метелей, распространенных на юге России.
В качестве примера можно привести некоторые их значения: атмосферное давление - 1012 - 1040 гПа; вертикальные и горизонтальные составляющие скорости геострофического ветра на высоте 10 км: -39,0 и +30,0 м/с; температура воздуха - 268,7 - 302,0 К; количество осадков - от 0 до 0,8 мм; облачность -57,8 - 77,8 %.
Указанные сочетания метеоэлементов свидетельствует о преобладающей роли антициклональной циркуляции в возникновении ОЯ погоды в пределах изучаемого района (60 - 400 с.ш., 40 - 600 в.д.) Это подтверждается и повышенным фоном давления, и малым количеством осадков, и незначительным облачным покровом (данные 40 - 80 % могут быть остаточной фронтальной облачностью).
Многие исследователи в разное время (С.А. Малик (1960), Н.С. Темникова (1964), П.Г. Вовченко (1980) [4]) подчеркивали ведущую роль антициклональной циркуляции в формировании погодных (60 - 400 с.ш., 40 - 600 в.д.). Многолетние данные синоптического анализа также соответствуют выводам работы нейро-сети о преобладающем повышенном фоне давления в рамках исследуемой территории.
Согласно данным таблицы, для заданного района с известными географическими координатами возможно определить наиболее вероятные значения метеорологических элементов для прогнозирования ОЯ. В дан-
В результате работы предлагаемой нейросети получены вероятности возникновения ряда погодных ОЯ как своеобразная третья база. При этом диапазон
Примеры наиболее вероятных (р~0,9) значений параметров метеорологической ситуации для отдельных опасных явлений погоды на 45° в.д. и 50° с.ш.
ном случае приведены примеры для точки с координатами 450в.д. - 50° с.ш., однако получены в настоящее время величины для квадрата 60 - 400 с.ш. и 40-600 в.д.
Опасное явление погоды Параметры метеорологической ситуации
О,% Р, гПа Т, К Q, мм U, м/с V, м/с
Сильные ветры 57,8 1016 285,8 0,5 -39,0 -20,0
Град 77,8 1016 277,4 0,8 9,0 17,0
Пыльные бури 43,5 1040 276,5 0,1 -27,0 30,0
Метели 34,9 1013 268,7 0,1 -26,0 -27,0
Сильные дожди 73,0 1012 302,0 0,1 28,0 -18,0
Рассмотрение вклада каждого в отдельности метеопараметра позволило выявить роль составляющих геострофического потока на высотЕ 10 км, значения и знаки векторов которых изменялись в случаях возникновения или отсутствия ОЯ погоды.
При этом в пределах 50 широт было установлено:
- восточная составляющая (отрицательный знак вектора скорости) зонального геострофического переноса (и, м/с) характерна для случаев сильных ветров, пыльных бурь и метелей, а град и сильные дожди наблюдались при западном потоке;
- южная составляющая (положительный знак) меридионального геострофического переноса (V, м/с) преобладала в случаях града и пыльных бурь;
- сильные ветры, метели и сильные дожди были обусловлены северным потоком.
Данные утверждения требуют дальнейшего исследования, однако составляющие скорости геострофического ветра можно считать важными показателями для изучения возникновения ОЯ погоды и расчета их рисков.
Таким образом, применение нейросети Кохонена в настоящее время на первом этапе позволило опреде-
Поступила в редакцию_
лить вероятность или риск возникновения ОЯ погоды для территории с географическими координатами 60 -400 с.ш., 40 - 600 в.д. Дополнительно проведенная вручную качественная интерпретация результатов дала возможность отделить риски отдельных ОЯ для указанной территории.
Дальнейшая работа по отладке модели и введение второго ее этапа - качественного анализа результатов, а также расширение массива входной информации позволит производить оценки вероятностей ОЯ погоды для других территорий.
Литература
1. Гордиенко Е.К., Лукьяница А.А. Искусственные нейронные сети. Основные определения и модели // Изв. РАН. Сер. «Техническая кибернетика». 1994. № 5. С. 79-92.
2. Скурихин А.Н. Нейронные сети: определения, концепции, применения (обзор). М., 1991.
3. Уоссермен Ф. Нейрокомпьютерная техника. Теория и практика. М., 1992.
4. Андреева Е.С. Опасные явления погоды юга России. СПб., 2006.
12 февраля 2008 г.
