Täysin yhdistetyn neuroverkon toiminta ja soveltaminen sateen todennäköisyyden arviontiin

Abstract

Sade on yksi keskeisimpiä tekijöitä maanviljelyssä ja metsän kasvun arvioinnissa. Sen mittaamiseen tarkoitetut laitteet ovat kuitenkin kalliita ja monimutkaisia. Tässä työssä tutkitaan, kuinka kolmea helposti ja edullisesti mitattavaa suuretta, ilmanpaine, suhteellinen kosteus ja lämpötila, voitaisiin hyödyntää sateen arvioinnissa. Hyvin toimivalla mallilla olisi mahdollista parantaa sadon määrän arviointia ja optimoida maanviljelyä.

Työssä päädyttiin käyttämään täysin yhdistettyä neuroverkkoa sateen arviointiin, sillä sen soveltuvuus ongelman ratkaisemiseksi kiinnosti, sekä sen käyttö oli tuttua. Neuroverkot ovat yksi koneoppimisen alaluokka ja ne soveltuvat yleensä hyvin erityyppisten datojen käsittelyyn. Niiden käyttö on yleistynyt viimevuosina merkittävästi. Niiden toiminta perustuu neuronien eli perseptronien välisten painokertoimien muuttamiseen käyttäen erinäisiä optimointialgoritmeja.

Tutkimus pohjautuu Ilmatieteenlaitoksen avoimeen dataan, mitä käyttämällä on rakennettu opetus- ja validointidatasetit. Työssä päädyttiin käyttämään yhtä 432 neuronin syötekerrosta ja 256 neuronin piilokerrosta LeakyReLu-aktivaatiofunkiolla (Rectifiec linear unit), sekä yhtä ulostuloneuronia. Rakenteeseen päädyttiin testaamalla monia eri vaihtoehtoja. Myös muut hyperparametrit määritettiin testaamalla.

Paras suoirtuskyky saavutettiin kouluttamalla mallia 200 epookkia. Malli saavutti tarkkuuden 0.895 ja ROC-käyrän (receiver operating characteristic) pinta-ala oli 0.883. Käytännön arvioinnissa malli osoittautui hyväksi, mutta sillä oli myös vaikeuksia tunnistaa sadetta esimerkiksi talvisaikaan. Mallia voisi hyödyntää yhdessä matalatehoisten IoT-laitteiden (Internet of Things) kanssa sateen arvioinnin tarkkuuden parantamisessa ja tätä kautta myös suurempien mallien kehityksessä. Tulevaisuudessa muiden, kuten RNN-verkkojen (Recurrent neural network) tai LSTM-verkkojen (Long short term memory) käyttöä kannattaisi tutkia.