Ground-Cloud and Thermal Updraft Forecasting using Neural Networks
Suzdalev, Ivan | Recenzentas / Rewiewer |
Darbo gynimo komisijos pirmininkas / Thesis Defence Board Chairman | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member |
Šiame darbe buvo sukurtas inovatyvus trumpo laiko terminių oro sroves prognozuojantis neuroninis tinklas. Šis modelis specifiškai taikomas nuo žemės stebimų debesų prognozei, ir tuo skiriasi nuo esamų palydovinių prognozės metodų, kurių neįmanoma pritaikyti realaus laiko bapiločių orlaivių užduotims. Tyrime pateikiamas dviejų sluoksnių hibridinis neuroninių tinklų modelis, kuris pasitelkia U-Net debesų segmentavimui ir ConvLSTM ateities debesų dangos prognozėms sudaryti. Sukurtas modelis klasifikuoja ir aptinka debesis video sraute, ir vėliau pateikia tolimesnių kadrų prognozes. Šios prognozės leidžia nustatyti potencialias kryptis, kurios turės termines sroves. Šis darbas prisideda prie bepiločių orlaivių maršrutų optimizavimo ir atmosferinių stebėjimų mokslinio tyrimo, naudojant naujas neuroninių tinklų priktaikymo galimybes.
This thesis presents a novel approach for short-term thermal updraft prediction using neural networks. It specifically focuses on ground-based cloud predictions, compared to the limitations of traditional satellite-based predictions, which are unsuitable for real-time rapid-response UAV applications. The study introduces a two-layered hybrid neural network model, combining U-Net for feature extraction and segmentation, and ConvLSTM for future cloud coverage prediction. The model aims to classify and detect clouds in video footage, predict the next frames in cloud imagery, and identify areas likely to experience thermal flows. The thesis contributes to advancing UAV flight optimisation and atmospheric monitoring by utilising state-of-the-art neural network techniques for improved cloud and thermal flow prediction.