Aplikace strojového učení při předpovědi výskytu mlh na území ČR

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00020699%3A_____%2F21%3AN0000171" target="_blank" >RIV/00020699:_____/21:N0000171 - isvavai.cz</a>

Výsledek na webu

<a href="https://www.chmi.cz/files/portal/docs/reditel/SIS/casmz/assets/2021/MZ_05_2021.pdf" target="_blank" >https://www.chmi.cz/files/portal/docs/reditel/SIS/casmz/assets/2021/MZ_05_2021.pdf</a>

DOI - Digital Object Identifier

—

Jazyk výsledku

čeština

Název v původním jazyce

Aplikace strojového učení při předpovědi výskytu mlh na území ČR

Popis výsledku v původním jazyce

Přízemních mlhy jsou potenciálním nebezpečím zejména v dopravě, a jejich včasné varování může ušetřit nejen peníze, ale i životy lidí. Předpověď výskytu mlhy je v současné době založena na kombinaci výstupu numerických předpovědních modelů a subjektivnímu zhodnocení situace zkušeným meteorologem. Cílem této práce je nabídnout nový pohled na zhodnocení dostupných meteorologických dat při předpovědi výskytu mlh, tj. metodou strojového učení. K tomuto účelu využíváme klasifikačního algoritmu rozhodovacích stromů, který je logikou velmi blízký lidskému způsobu usuzování, a je i vhodným nástrojem pro interpretaci surových numerických předpovědí. Základem učení modelu jsou staniční měření a vybraná pole předpovědí z numerického modelu ALADIN/CZ za období 2016 až 2018. Vyhodnocení za rok 2019 ukázalo, že model strojového učení poskytuje přesnější bodovou předpověď výskytu mlhy až na 36 hod dopředu oproti surové diagnostice z numerického modelu. Model strojového učení lze snadno aplikovat do provozu meteorologa, kde lze využít jako objektivní nástroj pro identifikaci příčin vzniku mlhy a použít jako doplňkovou informaci při jeho rozhodovací praxi.

Název v anglickém jazyce

Application of machine learning in fog prediction in the Czech Republic

Popis výsledku anglicky

Ground fog presents a potential danger, especially in traffic, and its early warning can save not only money but also human lives. The prediction of the fog occurrence is currently based on a combination of outputs from numerical weather prediction models and a subjective evaluation of the situation by an experienced meteorologist. The aim of this contribution is to present a new approach using available meteorological data in the fog occurrence prediction based on machine learning methods. For this purpose, we use the classification algorithm of the decision tree ensemble, which is logically close to the human way of thinking. Station measurements and numerical predictions from the ALADIN/CZ model for the period 2016 to 2018 were used to learn the model. The evaluation of results for 2019 showed that the machine learning model provides more accurate point prediction of fog up to 36 hours compared to the raw numerical model. The proposed machine learning model can be easily applied to the operation of meteorological forecasting, where it can be used not only as a basis for creating forecasts, but also as an objective tool for identifying the causes of fog.

Druh

J_ost - Ostatní články v recenzovaných periodicích

CEP obor

—

OECD FORD obor

10509 - Meteorology and atmospheric sciences

Projekt

—

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2021

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název periodika

Meteorologické zprávy

ISSN

0026-1173

e-ISSN

—

Svazek periodika

2021

Číslo periodika v rámci svazku

05

Stát vydavatele periodika

CZ - Česká republika

Počet stran výsledku

7

Strana od-do

141-148

Kód UT WoS článku

—

EID výsledku v databázi Scopus

—