Oleh: Niall McCarroll
Sebagai Jurutera Perisian Penyelidikan, tugas saya melibatkan membangunkan, menguji dan menyelenggara perisian yang boleh digunakan oleh saintis untuk menganalisis pemerhatian bumi dan data iklim. Baru-baru ini saya telah membangunkan beberapa perisian yang boleh digunakan untuk menggambarkan data iklim. Peta Penyusunan Sendiri ialah algoritma rangkaian saraf tiruan yang dicipta pada tahun 1980-an oleh saintis Finland Teuvo Kohonen. Rangkaian saraf tiruan ialah atur cara komputer yang cuba meniru interkoneksi neuron dalam otak untuk belajar mengenali corak dalam data input. Algoritma Peta Penyusunan Sendiri membantu kami membandingkan item yang diterangkan oleh senarai banyak nilai data, dengan memplotkannya pada peta dua dimensi supaya item yang mempunyai senarai nilai data yang serupa kelihatan lebih rapat pada peta. Dengan berbuat demikian, kami mengelompokkan item yang serupa bersama-sama.
Untuk membantu saya menguji perisian, saya memilih contoh tugasan mudah untuk diselesaikan, dalam domain yang mudah saya fahami. Katakan kita ingin membandingkan iklim di banyak bandar yang berbeza. Data lokasi bandar diperoleh daripada https://simplemaps.com/data/world-cities. Kami boleh mendapatkan data iklim daripada set data meteorologi global ERA5 yang dikeluarkan oleh Pusat Eropah untuk Ramalan Cuaca Julat Sederhana (ECMWF). ERA5 termasuk anggaran purata bulanan suhu udara di atas tanah (Muñoz Sabater, J., 2019). Daripada ini, kita boleh mengira purata suhu bulanan dari kawasan 20km persegi yang mengandungi setiap bandar yang ingin kita bandingkan, untuk tahun-tahun dari 2000 hingga 2021. Saya menyediakan set data 120 bandar besar dengan siri 12 suhu purata bulanan pada mereka lokasi daripada data ERA5.
Kami boleh dengan mudah membuat perbandingan iklim kami pada nilai data tunggal, contohnya purata suhu tahunan di sekitar setiap bandar, tetapi itu akan terlepas beberapa perbezaan penting. Sebagai contoh, Belo Horizonte (Brazil) dan Houston (AS) mempunyai purata suhu tahunan yang hampir serupa mengikut set data ini, tetapi variasi bermusim yang berbeza secara meluas dalam suhu mereka – kita tidak boleh mengatakan bahawa mereka menikmati iklim yang sama.
Sebaliknya, kita boleh menggunakan algoritma Peta Penyusunan Sendiri pada data ini untuk memplot setiap bandar pada “peta iklim” (Rajah 1) di mana bandar yang mempunyai corak suhu purata bulanan yang serupa harus dikelompokkan lebih rapat pada peta iklim. Lokasi asal bandar pada peta dunia konvensional diabaikan. Anda akan melihat bahawa peta iklim dibahagikan kepada sel heksagon yang bandar diperuntukkan oleh algoritma. Saya telah mewarnakan setiap sel mengikut purata suhu tahunan bandar yang diletakkan oleh algoritma ke dalam sel itu. Sel kosong kebetulan tidak mempunyai bandar daripada set data ujian yang diperuntukkan – tetapi tidak boleh dianggap mewakili kawasan seperti lautan atau tudung ais pada peta konvensional di mana bandar tidak boleh wujud.Untuk menguji perisian, kami perlu mempertimbangkan sama ada algoritma telah membuat percubaan yang munasabah untuk meletakkan bandar daripada set data kami ke dalam kelompok dalam peta iklim kami. Bagi bandar-bandar yang saya kenali, peta itu nampaknya mempunyai bandar berkelompok dengan corak suhu yang serupa bersama-sama. Warna peta menunjukkan bahawa kita melihat kawasan yang lebih besar yang terdiri daripada berbilang sel yang mengandungi iklim yang umumnya lebih panas atau lebih sejuk. Dalam kebanyakan tetapi tidak semua kes, bandar dari wilayah asal yang sama muncul berdekatan dalam peta baharu – secara intuitif kami menjangkakan ini.
Kita boleh memplot corak suhu untuk bandar yang dikelompokkan berdekatan dalam peta baharu dan menyemak sama ada corak itu serupa. Ini memberi kami sedikit keyakinan bahawa perisian mungkin berfungsi seperti yang diharapkan. Rajah 2 menunjukkan plot dua bandar, Minneapolis (AS) dan Ürümqi (China) yang terletak dalam sel yang sama (diserlahkan dalam Rajah 1) dalam peta penyusunan diri kami. Anda boleh melihat bahawa variasi Dalam purata suhu bulanan adalah serupa.
Set data ringkas ini telah berguna untuk menguji pelaksanaan algoritma Peta Penyusunan Sendiri saya. Untuk perbandingan iklim yang lebih realistik semasa kami mengalaminya, kami perlu mengembangkan set data kami untuk mempertimbangkan pembolehubah lain seperti hujan, salji, angin, kelembapan dan mempertimbangkan cara suhu berbeza antara siang dan malam. Saya harap siaran ini telah membantu menjelaskan kegunaan Peta Penyusunan Sendiri, dalam konteks memahami data iklim.
