Použití neuronových sítí pro doplňování chybějících dat meteorologických měření

Bc. Matúš Moravčík

Diplomová práce

Gap-filling Meteorology data using Neural Networks

Anotace:

Meteorologické stanice používajú mnohé špecializované senzory na snímanie rôznorodých meteorologických dát, ako napríklad vlhkosť vzduchu, slnečný jas, rýchlosť vetra, atď. v reálnom čase. Jedna meteorologická stanica môže kombinovať až stovky rôznych senzorov. Individuálne senzory niesú neomylné. Poruchy, nesprávna kalibrácia, či vplyvy vonkajšeiho prostredia môžu mať nežiadúci účinok na výsledky merania. Množstvo, komplexita a vlastnosti meteorologických dát neumožňujú uskutočňovať opravy chybných meraní ručne. Umelé neurónové siete sú technikou strojového učenia so schopnosťou nachádzať v dátach zložité súvislosti, aké sú prítomné aj v meteorologických dátach. V tejto práci sa zaoberáme možnosťou využiť neurónové siete k automatickej oprave chýb v nameraných meteorologických dátach. Výsledkom je PANN, všestranný nástroj na trénovanie a následnú aplikáciu neurónových sietí na opravu meteorologických dát.

Abstract:

Weather stations collect real-time meteorological data, such as air humidity, solar radiation, wind speed, etc., using various kinds of specialized sensors. A single weather station can combine more than hundred of these instruments. Individual sensors are subject to malfunction, bad calibration and external influences which may negatively affect preciseness of the measurements. Size, complexity and general character of the data makes it near to impossible to correct such anomalies by hand. Artificial neural networks are a form of machine learning technique capable of discovering complex patterns such as those present in meteorological data. This work explores the possibility of automatic measurement post-correction utilizing artificial neural networks. As a result of the work we introduce PANN, a flexible command-line tool for training neural networks and their application for the task.

Keywords

neurónové siete, meteorológia, automatická oprava chýb, neural networks, gated recurrent unit, backpropagation through time, meteorology, gap-filling

Jazyk práce: angličtina

Datum vytvoření / odevzdání či podání práce: 4. 1. 2017

Obhajoba závěrečné práce

• Obhajoba proběhla 7. 2. 2017
• Vedoucí: RNDr. Tomáš Rebok, Ph.D.
• Oponent: doc. RNDr. Tomáš Brázdil, Ph.D.

Masarykova univerzita

Fakulta informatiky

Magisterský studijní program / obor:
Informatika / Informační systémy