Прогнозирование климата на основании данных о температуре ивыбросов Co2 с использованием модели LSTM

Автор: Шантван Соурабх

Самарский национально-исследовательский университет, г. Самара, Российская Федерация

Аннотация: Изменение климата было одной из самых больших проблем, обнаруженных человечеством до сих пор. Проблема не в том, чтобы обнаружить ее, а в том, чтобы предложить решение этой проблемы. В этом проекте использовались данные об изменении климата, которые содержат информацию обо всех изменениях температуры, произошедших за все эти годы, и о том, какой была среднемесячная температура.

Ключевые слова: Изменение климата, искусственная нейронная сеть, рекурентная нейронная сеть, нейронная сеть для прогнозирования, свертка долгосрочной памяти (LSTM) нейронная сеть, данные температуры, данные CO2, прогнозирование временных рядов, прогнозирование данных, прогнозирование температуры.

Основная цель этой статьи - основываясь на всей информации, спрогнозировать изменение климата или то, как изменится температура в течение следующего года.

Цели. Я занимался собственным комплексным исследованием по прогнозированию среднегодового изменения температуры по выбросам углекислого газа (CO2) городов Токио, Хиросимы и страны Индии путем внедрения методов и моделей машинного обучения и искусственного интеллекта.

Методология. В исследовании задействованы методы машинного обучения, глубокого обучения и искусственного интеллекта. Такие модели, как долговременная память (LSTM) и регрессия дерева решений, были построены и использованы для прогнозирования, где модель LSTM использовалась для получения максимальной отдачи от прогноза, регрессия дерева решений использовалась для прогнозирования, а также для сравнения результатов и производительности основной модели LSTM.

Результаты. Было обнаружено, что глобальная аномалия средней температуры увеличилась почти на 0,8ºC, а аномалия средней температуры в Токио увеличилась почти на 0,75ºC в период с 1960 по 2020 год на основе исследований и использованных данных. Для сравнения, уровни CO2, которые рассчитываются в частях на миллион (ppm), также увеличились почти на 100 частей на миллион с 1960 по 2020 год.

В результате этого также была обнаружена зависимость между увеличением СО2 и повышением глобальной температуры и температуры в отдельных городах и стране.

На заключительном этапе исследования были успешно сделаны прогнозы температуры с использованием LSTM и регрессионной модели дерева решений, обе модели предсказывали температуры с точностью более 90% и прогнозировали температуры на предстоящий год в соответствии с входными данными. По прогнозным результатам в ближайшие годы наблюдалось повышение средней температуры.

Заключение. В этом исследовании была создана нейросеть, которая предсказывала значения с точностью около 90 с лишним процентов, а также предсказывала данные об изменении климата на 2022 год для Токио, Хиросимы и Индии, а именно, какая температура будет в этих городах и в Индии. По прогнозным результатам в ближайшие годы наблюдалось повышение средней температуры.

LSTM очень хорошо показал себя в прогнозировании изменения климата, предсказывая среднюю температуру наступающего года. Но также было замечено, что нейронная сеть LSTM очень хорошо работает со сложными или несложными входными данными, но на результаты регрессионной модели дерева решений может повлиять, если для прогнозирования результатов были указаны сложные данные.

В конце исследования выяснилось, что температура в отдельных городах и стране будет продолжать расти, согласно данным и результатам, если мы не будем контролировать выбросы углекислого газа (CO2).

Список литературы:

[1] J. Wang, J. Wang, W. Fang, and H. Niu, Financial time series prediction using Elman recurrent random neural networks, Computational Intelligence and Neuroscience, vol. 2016, Article ID 4742515, 14 pages, 2016.

[2] Chaudhuri T. D. et al. Artificial Neural Network and Time Series Modeling Based Approach to Forecasting the Exchange Rate in a Multivariate Framework” Journal of Insurance and Financial Management, Vol. 1, Issue 5 (2016), pp 92-123.

[3] Gunther F. Fritsch S. 2010. Neuralnet: Training of neural networks. The R journal, 2, 20-38.

[4] Hornick K. Stinchcombe M. White H. 1989. Multilayer feedforward networks are universal approximators. Neural Networks, 2, 359–366.

[5] Trigo R. Palutikof J. 1999. Simulation of daily temperatures for climate change: a neural network model approach. Climate Research, volumen 13, 45-59.

[6] G.M. Box, Jenkins Time series analysis forecasting and control [J] Technometrics, 19 (3) (2015), pp. 343-344

[7] Kalnay E. Atmospheric modeling, data assimilation and predictability. Cambridge university press, 2003. 367 pp.

[8] Kanevski M., Demyanov V., Chernov S., Savelieva E., Timonin V. Neural Network Residual Kriging Application for Climatic Data // The J. of Geographic Information and Decision Analysis, Vol. 2, No. 2, 1998. pp. 215-232.

[9] Tieleman T., Hinton G. Lecture 6.5 - RMSProp, COURSERA: Neural Networks for Machine Learning, 2012.

[10] Tsymbalov E., Makarychev S., Shapeev A., Panov M. IJCAI // Deeper Connections between Neural Networks and Gaussian Processes Speed-up. 2019.

[11] Warner T. T. Numerical weather and climate prediction. Cambridge University Press, 2010. 526 pp.