Вісник Астрономічної школи, 2020, том 16, № 2, с. 48–57

https://doi.org/10.18372/2411-6602.16.08
Завантажити PDF
УДК 528.852+845:519.237.8:004.93

Застосування лінійних регресійних та нейромережевих моделей для оцінки та прогнозування локальних змін клімату на основі часових рядів даних

Зєлик Я.І.1, Підгородецька Л.В.1, Чорный С.В.1, Колос Л.Н.1, Дикач Ю.Р.2

1Інститут космічних досліджень НАН України і ДКА України, 03187, м. Київ, пр. Академіка Глушкова, 40, корпус 4/1
2Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», 03056, м. Київ, пр. Перемоги, 37

Реферат

Дослідження змін клімату базуються на обробленні даних таких часових рядів для низки міст України: щоденних атмосферних опадів та температури повітря з електронного ресурсу Європейського проекту з оцінки клімату та даних про клімат (European Climate Assessment & Dataset (ECA&D) Project) та щомісячної емісії двоокису вуглецю від викопного палива в атмосфері на ділянку розміром в 1 географічний градус з електронного ресурсу Carbon Dioxide Information Analysis Center (CDIAC). Оцінювання синхронної динаміки та прогнозування температури повітря, атмосферних опадів за даними періоду 1950–2016 рр. та концентрації двоокису вуглецю в атмосфері за даними періоду 1951–2013 рр. проведено із застосуванням двох типів моделей: лінійної регресії та нейромережевої моделі у формі персептрона з одним прихованим шаром нейронів на основі сучасних підходів до інтелектуального аналізу великих обсягів даних: Data Mining (DM) – видобування даних і Knowledge Discovery in Databases (KDD) – виявлення знань у базах даних. Розроблено та реалізовано у середовищі уніфікованої аналітичної платформи Deductor програмні сценарії оброблення, інтелектуального аналізу та прогнозування вказаних часових рядів даних із застосуванням побудованих прогнозуючих моделей. Декомпозиція часових рядів щомісячної емісії в атмосфері двоокису вуглецю від викопного палива на ділянку розміром в 1 географічний градус у 1951–2013 рр. для низки міст України демонструє явно виражений тренд, що добре апроксимується кубічним поліномом, та відсутність періодичної сезонної складової. Спостерігається тенденція зростання викидів CO2 до 1991 р. і тенденція їх спадання після 1991 р. з деяким «плато» на відрізку 2000–2009 рр. – роки відносної стабільності в економічному розвитку України. Однак не має місця жодної кореляції між трендом викидів CO2 та трендом середньомісячної температури у 1951–2013 рр. Прогнозуюча модель лінійної регресії виявилась найбільш прийнятною для часових рядів середньомісячної температури у 1950–2016 рр., для яких властива потужна сезонна складова з періодичністю 1 рік. З використанням прогнозуючої моделі лінійної регресії [240 × 1], навченої на множині даних, побудованій за методом ковзного вікна з глибиною передісторії відліків 240 місяців, отримано спроможний прогноз часового ряду значень середньомісячної температури для м. Києва після 01.12.2016 р. з горизонтом прогнозу 60 місяців. Однак для застосування прогнозуючої моделі лінійної регресії характерний відносно короткий горизонт спроможного прогнозу. Для часового ряду значень середньомісячної температури для м. Києва після 01.12.2016 р. прогнозуюча нейромережева модель [360 × 5 × 1] (кількість входів рівна вибраній глибині передісторії відліків часового ряду – 360; кількість виходів – 1; кількість нейронів у прихованому шарі – 5; тип активаційної функції – сігмоїда з заданою крутизною – 1) забезпечила спроможний прогноз з горизонтом 120 місяців. Були досягнуті низькі значення максимальної і середньої відносних помилок нейромережевої моделі на навчальній множині (4.45·10-2 і 2.99·10-4 відповідно) та на тестовій множині (3.60·10-2 і 5.69·10-3 відповідно). Аналогічним чином, для часового ряду значень щомісячної емісії CO2 для м. Києва після 01.12.2013 р. прогнозуюча нейромережева модель [240 × 5 × 1] забезпечила спроможний прогноз з горизонтом 60 місяців. Взагалі, часові ряди значень щомісячної емісії CO2 характеризуються значно меншими значеннями горизонту спроможного прогнозу порівняно з часовими рядами значень середньомісячної температури, принаймні, при використанні прогнозуючих нейромережевих моделей.

Ключові слова: зміни клімату; емісія двоокису вуглецю; прогнозування часових рядів; Data Mining; лінійна регресія; нейромережева модель; одношаровий персептрон

Перелік посилань

  1. Fayyad U., Piatetsky-Shapiro G., Smyth P. From data mining to knowledge discovery in databases // AI Magazine. – 1996. – Vol. 17, No. 3. – P.37–54. https://doi.org/10.1609/aimag.v17i3.1230
  2. Barsegian A.A., Kuprianov M.S., Kholod I.I., Tess M.D., Yelisarov S.I. Analysis of data and processes: handbook. – St. Petersburg: BHV-Petersburg, 2009. – 512 p. [in Russian]
  3. Gladun A.Ya., Rogushyna Yu.V. Data Mining: search for knowledge in data. – Kyiv: Ltd “PH ADEF-Ukraine”. – 452 p. [in Ukrainian]
  4. Deductor [in Russian] [Electronic resource]. https://basegroup.ru/deductor/description (01.11.2020)
  5. Deductor. Analitic Guide. Version 5.3. – BaseGroup Labs Companie, 1995–2013. – 219 p. [in Russian]
  6. European Climate Assessment & Dataset (ECA&D) project. Daily data [Electronic resource]. http://eca.knmi.nl/dailydata/index.php (01.11.2020)
  7. Carbon Dioxid Information Analysis Center (CDIAC). Monthly Fossil-Fuel CO_2 Emissions: Mass of Emissions Gridded by One Degree Latitude by One Degree Longitude [Electronic resource]. https://cdiac.ess-dive.lbl.gov/epubs/fossil_fuel_CO2_emissions_gridded_monthly_v2016.html# (01.11.2020)
  8. Diakonov V., Kruglov V. Mathematical packages of Matlab extension. Special reference book. – St. Petersburg: Peter, 2001. – 480 p. [in Russian]
  9. Kussul N.M., Shelestov A.Yu., Lavreniuk A.M. Intelligent computing: handbook. – Kyiv: Naukova dumka, 2006. – 186 p. [in Ukrainian]
  10. Pidgorodetska L., Yatsenko V., Zyelyk Ya. Development of mathematical models to predict the impact of the greenhouse effect on climate change at the regional level // Abstracts of the 17th Ukrainian Conference on Space Research, Odessa, August, 21–25, 2017. – Kyiv: SRI, NAS and SSA of Ukraine, 2017. – P.189.
  11. Pidgorodetska L., Yatsenko V., Zyelyk Ya. Development of nonlinear dynamic models of the climate change and its applications for carbon dioxide emission time series data over Ukraine's territory // Proceedings of Conference GEO-UA 2018, 18–19 September 2018, Kyiv, Ukraine. – P.56–57

Завантажити PDF