Simuloitu tunnistusmalli revontulien paikallisen näkyvyyden ennustamiseen

Abstract

Tämän opinnäytetyön tavoitteena oli kehittää simuloitu koneoppimismalli, joka tuottaa teoreettisen ennusteen revontulien paikallisesta näkyvyydestä Rovaniemellä. Työn tarkoituksena oli kokeellisesti testata kuinka tekoäly- ja koneoppimismenetelmiä voidaan soveltaa revontuliennusteen rakenteen kehittämiseen ja arvioida mallin teoreettista toimivuutta demoversiossa.

Tietoperusta koostui revontulien syntymekanismeja, avaruussään vaikutuksia ja koneoppimisen menetelmiä käsittelevästä kirjallisuudesta. Menetelmänä sovellettiin toiminnallista kehittämisprojektia, jossa mallin rakenne ja toiminta toteutettiin Python-ympäristössä käyttäen avoimia kirjastoja, kuten pandas, NumPy, scikit-learn, Matplotlib ja Streamlit. Aineisto muodostettiin yhdistämällä Ilmatieteen laitoksen säämuuttujia ja NOAA:n avaruussäämittauksia. Tavoitemuuttuja luotiin sääntöperusteisesti simuloituna, jotta mallin toimintaperiaatetta voitiin testata ilman todellisia revontulihavaintoja.

Rakennettu satunnaismetsämalli (Random Forest) saavutti simuloidussa testissä virheettömän luokittelutarkkuuden, mikä osoitti sen rakenteellisen ja laskennallisen toimivuuden. Mallin tärkeimmät piirteet liittyivät aurinkotuulen ja Maan magneettikentän vuorovaikutukseen, ja säämuuttujat täydensivät näkyvyysennustetta paikallisten olosuhteiden kannalta. Tulokset osoittivat, että tällainen simuloitu lähestymistapa tarjoaa toimivan rungon, jota voidaan myöhemmin kehittää ja validoida todellisilla havaintoaineistoilla.

Työn tuloksena syntyi web-pohjainen Streamlit-demoversio, joka visualisoi ennusteen karttanäkymänä ja antaa käyttäjälle yksinkertaisen ”GO/NO GO” -suosituksen. Työ osoitti, että koneoppimisen periaatteita voidaan soveltaa onnistuneesti revontulien näkyvyyden arviointiin teoreettisella tasolla ja että vastaavaa rakennetta voidaan hyödyntää tulevaisuudessa matkailun ja ympäristötiedon digitaalisten palveluiden kehityksessä.