Analysis of existing architectures for the development of an information system of air quality assessment

B. Molodets; Т. Bulana; D. Boldyriev

doi:10.34185/1562-9945-5-160-2025-01

Автор(и)

B. Molodets
Т. Bulana
D. Boldyriev

DOI:

https://doi.org/10.34185/1562-9945-5-160-2025-01

Ключові слова:

інформаційна система, прогнозування атмосферних явищ, обробка метеорологічних даних, нейронні мережі, UNet архітектура, модель FourCastNet

Анотація

Робота присвячена розробці інформаційної технології моделювання погоди, застосуванням глибокого навчання в задачах прогнозування атмосферних явищ. В яко-сті моделі було обрано FourCastNet з високоефективною обробкою геофізичних даних, яка дала можливість навчатися на великих масивах історичної метеорологічної інфо-рмації та забезпечила оперативне прогнозування з високою просторовою роздільною здатністю. В якості джерела початкових умов було обрано модель GFS з асиміляцією GDAS, які надають дані з роздільною здатністю 0.25 0.25° × 0.25° (~28 км). Це дозволило отримати кращу деталізацію атмосферних процесів та забез-печити можливість використання системи в режимі реального часу та подолати об-меження базової роздільної здатності моделей типу ERA5 (приблизно 31 км). Для адаптації глобальних прогнозів з урахуванням геопросторових параметрів було вико-ристано модифіковану архітектуру типу UNet, яка виконує просторову інтерполяцію на основі інформації з найближчих метеостанцій. В статті детально розглянуто ар-хітектуру створеної інформаційної системи прогнозування. Запропонований підхід збільшує точність прогнозування для окремих точок, що є особливо актуальним для аграрного планування та роботи систем раннього оповіщення.

Посилання

Lang S., Alexe M., Chantry M., Dramsch J. S., Pinault F., Raoult B. et al. (2024). AIFS - ECMWF’s data-driven forecasting system. DOI: https://doi.org/10.48550/arxiv.2406.01465

Waqas M., Humphries U. W., Chueasa B., Wangwongchai A. (2024). Artificial intelli-gence and numerical weather prediction models: A technical survey, Natural Hazards Re-search, DOI: https://doi.org/10.1016/j.nhres.2024.11.004

Shabnam Kumari, P Muthulakshmi. (2023). Weather Prediction Using Futuristic Tech-nologies: From Industry's Perspective. In Proceedings of the 2023 Fifteenth International Conference on Contemporary Computing (IC3-2023). Association for Computing Machinery, New York, NY, USA, P. 245–251. DOI: https://doi.org/10.1145/3607947.3607994

Pathak J., Subramanian S., Harrington P., Raja S., Chattopadhyay А., Mardani М., et al. (2022) FourCastNet: A Global Data-driven Weather Model using Deep Learning, DOI: https://doi.org/10.48550/arXiv.2202.11214

NVIDIA. FourCastNet – Forecasting Global Weather with Neural Operators [NVIDIA Documentation.] Retrieved from

https://docs.nvidia.com/deeplearning/physicsnemo/physicsnemo-sym/user_guide/neural_operators/fourcastnet.html.

Rasp S., Dueben P. D., Scher S., Weyn J. A., Mouatadid S., Thuerey N. (2020). Weather-Bench: A benchmark data set for data-driven weather forecasting. Journal of Advances in Modeling Earth Systems, 12, DOI: https://doi.org/10.1029/2020MS002203

National Center for Atmospheric Research. ERA5 Atmospheric Reanalysis [Climate Data Guide] Retrieved from https://climatedataguide.ucar.edu/climate-data/era5-atmospheric-reanalysis.

Amazon Web Services. NOAA Global Forecast System (GFS) [Registry of Open Data on AWS] Retrieved from https://registry.opendata.aws/noaa-gfs-bdp-pds/.

Wang, J. (2024) Data interpolation methods with the UNet-based model for weather fore-cast. International Journal of Data Science and Analytics, DOI: https://doi.org/10.1007/s41060-024-00611-z

Molodets, B., Hnatushenko Volodymyr, Boldyriev D., Bulana T. Information System of Air Quality Assessment Based of Ground Stations and Meteorological Data Monitoring. CEUR Workshop Intelligent Information Technologies & Systems of Information Security (In-telITSIS 2023). 2023.Vol. 3373, P. 206–216. Mode of access: https://ceur-ws.org/Vol-3373/