МЕТОДИ ПРОГНОЗУВАННЯ ДЛЯ ВИВЧЕННЯ ТА ПОПЕРЕДЖЕННЯ НАДЗВИЧАЙНИХ ПРИРОДНИХ ЯВИЩ

Автор(и)

DOI:

https://doi.org/10.32782/IT/2023-4-2

Ключові слова:

природне явище, попередження надзвичайних явищ, архітектура персептронів, нейронна мережа, метод прогнозування, моніторинг надзвичайних явищ.

Анотація

У статті описано способи дослідження та виявлення природних явищ на основі методів і технік прогнозування. Метою даної роботи є створення вдосконаленого алгоритму, який дозволить прогнозувати виникнення будь-яких природних явищ на основі наявної статистики. Для створення запропонованого алгоритму та програмного забезпечення ми використали наявні методи та техніки прогнозування, математичні та причинно-наслідкові методи, а також моніторинг поточних подій. Запропоновані вдосконалення алгоритму дають нам можливість отримати загальний прогноз або отримати прогноз для деяких конкретних видів надзвичайних природних явиш. Також у цій статті ми пропонуємо поєднати математичні методи разом із штучним інтелектом. ШІ дозволяє підвищити точність прогнозу та надає можливість збільшити кількість параметрів або характеристик для аналізу. Оскільки штучний інтелект є сучасною технологією, яка швидко розвивається, вона надає необмежені способи вдосконалення нашого алгоритму та програмного забезпечення не лише для прогнозування природних явищ, але й для їх моделювання, аналізу наслідків, способів мінімізації збитків і найголовніше – жертв. Однією з головних переваг використання запропонованого поєднання штучного інтелекту зі старими математичними та статистичними методами перед використанням лише математичних або статистичних методів є гнучкість штучного інтелекту в їхніх результатах, оскільки математичні результати стабілізуються зі зростанням статистичних даних, і кожна нова подія не буде мати такого великого впливу на результат. Але для штучного інтелекту кожна нова інформація може мати критичний ефект і може скорегувати всі прогнози разом з очікуваними наслідками. Як результат цієї статті новий програмний продукт буде впроваджено та інтегровано в науковий комплекс для подальшого вдосконалення, навчання, досліджень та аналізу.

Посилання

Бурков А. Машинне навчання без зайвих слів. Print2print. 2019.

Горник К., Стінчкомб М., Уайт Г. Багаторівневі мережі прямого зв'язку є універсальними апроксиматорами. Neural Networks. 1999.

Тейлор С. Д. Наука про стихійні лиха: Коли природа і люди стикаються. Nomad Press. 2020.

Global Disaster Alert and Coordination System : веб-сайт. URL: https://www.gdacs.org (дата звернення: 10.09.2023).

Кіпроно Е.К. Як працює зворотне поширення в нейронних мережах? 2022. Towards Data

Science : веб-сайт. URL: https://towardsdatascience.com/how-does-back-propagation-work-in-neuralnetworks-with-worked-example-bc59dfb97f48 (дата звернення: 12.09.2023).

Джозеф Р. Зміна клімату: що потрібно знати кожному. Oxford University Press. 2015. 328 с.

Чару К. А. Нейронні мережі та глибоке навчання: Підручник. Springer. 2018. 520 c.

Льюїс Н.Д. Нейронні мережі для прогнозування часових рядів за допомогою R. Apress. 2018. 700 с.

ECMWF : веб-сайт. URL: https://www.ecmwf.int/ (дата звернення: 12.09.2023).

МакГілліврей П. Передбачення непередбачуваного : веб-сайт. URL: https://www.uvic.ca/knowledge/archives/2010/v10n04-april10.php (дата звернення: 12.09.2023).

##submission.downloads##

Опубліковано

2023-12-28