Aktualności

Nowy model prognozowania stanu troposfery na bazie tomogafii GNSS oraz metod sztucznej inteligencji

26-06-2024

Prognozowanie zjawisk pogodowych przechodzi znaczącą transformację dzięki wprowadzaniu metod sztucznej inteligencji w numeryczne modele pogody. Nowy artykuł, opublikowany w IEEE Transactions on Geoscience and Remote Sensing, przez zespół z UPWr i UWr, opisuje pionierskie wykorzystanie tomografii GNSS do prognozowania stochastycznego (wielowątkowego) do budowy modelu troposfery. Tradycyjne modele troposfery często zmagają się z niską rozdzielczością przestrzenną i nieregularną dystrybucją danych. W artykule wykorzystano tomografię troposfery GNSS, do generowania trójwymiarowego pola mokrej refrakcji o wysokiej rozdzielczości. Jednocześnie w przeciwieństwie do modeli deterministycznych (prognozowany jest jeden stan atmosfery), badania wykorzystują prognozowanie wielowątkowe (ensemble) przy użyciu Generative Adversarial Networks (GAN), zwiększając dokładność przewidywania poprzez generowanie realistycznych danych szeregów czasowych i dostarczanie prognoz opartych na prawdopodobieństwie. Rdzeniem modelu są sieci z długą pamięcią krótkotrwałą (LSTM), zoptymalizowane za pomocą algorytmów genetycznych (GA), zapewniające solidną wydajność predykcyjną.

Model został rygorystycznie przetestowany w Polsce i Kalifornii, dwóch regionach o różnych warunkach klimatycznych i rzeźbie terenu. Model dokładnie przewidział różne zjawiska pogodowe, w tym opady deszczu i burze, wykazując wszechstronność i niezawodność. Wyniki podkreślają niski współczynnik wyników fałszywie dodatnich (FPR) wynoszący 0,027 i 0,011 odpowiednio dla Polski i Kalifornii, co podkreśla jego wysoką czułość i niezawodność.

Więcej szczegółowych informacji i wyników można znaleźć w pełnym artykule:

Saeid Haji-Aghajany, Witold Rohm, Maciej Kryza and Kamil Smolak (2024). Machine Learning-Based Wet Refractivity Prediction through GNSS Troposphere Tomography for Ensemble Troposphere Conditions Forecasting. IEEE Transactions on Geoscience and Remote Sensing, doi: https://doi.org/10.1109/TGRS.2024.3417487