Bakgrund
Daggpunkt och yttemperatur är parameterar som är viktiga för att prognostisera risken för halka. Idag använder SMHI en numerisk fysikalisk modell för att beräkna vägparametrarna. En annan approach är att använda MOS (Model output statistics). MOS är en väletablerad metodik för att förbättra prognoskvalitet och prognostisera parametrar som inte finns med i de numeriska vädermodellerna. I traditionell MOS används multipel linjär regression, där kovariaterna består av en delmängd av parametrarna från den numeriska vädermodellen. Yttemperatur har komplexa ickelinjära beroenden till parametrar som molnighet, temperatur och solhöjd. Det kan därför vara intressant att se hur väl Deep learning neurala nätverk kan prognostisera yttemperaturen.
Mål
Målet är att implementera och utvärdera några olika Deep learning arkitekturer som prognostiserar yttemperatur och daggpunkt.
Uppdragsbeskrivning
Tillsammans med en meteorolog välja ut lämplig indata från den numeriska vädermodellen.
Ta fram några förslag på Deep learning arkitekturer utifrån litteraturstudie och småskaligt experimeterande.
Implementera och utvärdera de föreslagna arkitekturerna (förslagsvis i något Python ramverk tex. Keras eller Lasagne)
Ansökan
Skicka din ansökan märkt med ref nr 818 till registrator@smhi.se