������

YK:n mukaan myrskyjen määrä on lisääntynyt tällä vuosituhannella yli 40 prosenttia verrattuna edeltävään 20 vuoteen, ja tulvien määrä on samalla yli kaksinkertaistunut.

”Pelkän sään ennustamisen sijaan tarvetta onkin yhä enemmän sään vaikutusennusteille”, sanoo Roope Tervo, Aalto-yliopiston tohtorikoulutettava. Hän kehitti väitöskirjassaan koneoppimiseen perustuvan sovelluksen, joka sopii sekä kesällä esiintyvien paikallisten ukkosmyrskyjen että laajojen, syksyllä ja talvella yleisten matalapainemyrskyjen vaikutusten ennustamiseen.

Koulutusta datalla

Koneoppiminen tarkoittaa joukkoa menetelmiä, jotka ennustavat uudesta datasta tulevaa – esimerkiksi sään vaikutuksia – vanhalla datalla tehdyn koulutuksen pohjalta. Tervo hyödynsi työssään monia edistyneitä koneoppimismenetelmiä, kuten satunnaismetsiä, neuroverkkoja ja Gaussisia prosesseja.

Myrskyt koostuvat useista elementeistä, jotka vaikuttavat niiden vahingollisuuteen. Tällaisia ovat esimerkiksi pinta-ala, tuulen nopeus, lämpötila ja ilmanpaine. Tervo koulutti koneoppimismenetelmiä näiden elementtien tiedoilla sekä tiedoilla myrskyjä seuranneiden sähkökatkosten määrästä.

Sovelluksessa hän hyödynsi uutta oliopohjaista lähestymistapaa. Siinä myrskyalueet ovat olioita, joilla on kouluttamisessa käytettyjä ominaisuuksia. Ukkosmyrskyjen kohdalla sovellus tunnistaa, seuraa ja luokittelee oliot säätutkadatasta ja maan pinnalla tehdyistä säähavainnoista ja luokittelee ne neljään eri luokkaan sen mukaan, miten tuhoisia ne voivat olla sähköverkoille.

”Lisäksi se ennustaa olioiden liikettä muutama tunti eteenpäin, mikä auttaa sähköverkko-operaattoreita korjausten ennakoinnissa”, Tervo kertoo.

Syksyisiin ja talvisiin matalapainemyrskyihin muokattu sovellus puolestaan tarkkailee jopa kymmenen vuorokauden päähän ulottuvia sääennusteita.

Sovellus osoittautui toimivaksi sekä ukkosmyrskyjen että matalapainemyrskyjen vaikutusten ennustamisessa. Matalapainemyrskyissä sovellus kykenee ennustamaan 15 km:n tarkkuudella, mihin myrsky iskee ja kolmen tunnin tarkkuudella sen, milloin myrsky iskee. Sovelluksen tarkkuus puolestaan on noin 0,8, eli 80 prosenttia tuhoisiksi arvioiduista myrskyistä todella aiheuttaa ennustettua vahinkoa.

Monia sovelluskohteita

Tervo tutki väitöskirjassaan myös sovelluksen hyödyntämistä junien myöhästymisen ennustamisessa.

”Pitkään tuiskuava lumi ja toisaalta nollan pinnassa sahaava lämpötila voivat aiheuttaa raideliikenteelle isoja ongelmia”, hän kertoo.

”Koneoppimismalliin perustuvaa sään vaikutusennustamista voidaan soveltaa Suomessa ja maailmalla mihin tahansa, missä vaikutus voidaan osoittaa numeroilla, sääolosuhteet ovat tunnistettavissa ja dataa on riittävästi saatavissa. Esimerkkejä ovat vaikka tulvatuhoja seuraavat korvaushakemusten määrät tai lumisateen jälkeiset liikenneonnettomuudet tai katkot lentoliikenteessä. Perinteisillä ennustemenetelmillä niihin ei päästä käsiksi, koska dataa on liikaa ja aikaa liian vähän.”

Väitöskirjan tutkimustyö on tehty yhteistyössä Aalto yliopiston tietotekniikan laitoksen professori Alex Jungin tutkimusryhmän ja Ilmatieteen laitoksen kanssa. Lukuisat sähköoperaattorit ovat hyödyntäneet työssä kehitettyjä sovelluksia sähkökatkojen korjaamiseen varautumisessa.

Sovelluksen käyttömahdollisuuksista voi kysyä .

������ä�پ���ٴ��Ჹ:

Tohtorikoulettava Roope Tervo
puh. 040 575 2720
roope.tervo@aalto.fi