Устойчивое будущее требует использования солнечной энергии, но максимизация эффективности её сбора остаётся одной из главных задач отрасли. В отличие от ископаемого топлива, выработка солнечной энергии зависит от сложного взаимодействия погодных условий и атмосферных переменных, а также активности солнца. Это делает практически невозможным создание универсальной модели прогнозирования, поэтому необходимы локальные системы прогнозирования солнечной активности.
Хотя технологии машинного обучения значительно улучшили современные модели прогнозирования, возможности для совершенствования всё ещё есть. Однако качество программы искусственного интеллекта зависит от данных, используемых для её обучения, — и, по мнению исследователей из Университета Чарльза Дарвина в Австралии, трудно найти лучший набор данных для прогнозирования солнечной активности, чем сезонные календари коренных народов. Их новый подход описан в исследовании, опубликованном в журнале IEEE Open Journal of the Computer Society.
Современные культуры, не относящиеся к коренным народам, обычно делят год на четыре сезона, но это не так для многих коренных общин прошлого и настоящего. Например, солнечные календари ацтеков были достаточно точными, чтобы определять сельскохозяйственную практику, которая кормила миллионы людей. В Австралии жители островов Тиви используют трёхсезонный календарь, основанный на их местных экологических знаниях. Община Гулумоорджин (ларракия) в Дарвине признаёт семь основных сезонов, а кунбарланджа (гунбалянъя) и нгуррунгурруджа из Северной территории также имеют свои календари.
«Эти календари тесно связаны с погодными условиями и сезонами. Глубокое понимание местного климата в этих календарях позволяет коренным народам принимать обоснованные решения по управлению ресурсами и обеспечению устойчивости», — объясняют авторы исследования. «Поскольку изменение климата влияет на погодные условия, знание этих календарей становится решающим для адаптации к экологическим вызовам».
Кроме того, в отличие от традиционных календарных систем, культуры коренных народов Австралии основывают свои сезонные классификации на местных экологических признаках. К ним относятся поведение растений и животных, которое тесно связано с изменением солнечного света и погодных условий.
Команда разбила информацию на различные данные из календарей народов тиви, гулумоорджин (ларракия), кунвинъку и нгуррунгурруджа, а также из современного календаря, известного как «Красный центр». Затем исследователи ввели свой набор данных First Nations Seasonal Metrics (FNS-Metrics) в новую модель машинного обучения, предназначенную для обнаружения крупномасштабных закономерностей. После этого они протестировали систему на основе данных о солнечной энергии и погоде, собранных Центром солнечной энергии Desert Knowledge Australia (DKASC) в Алис-Спрингс.
Результаты были поразительными: First Nations Seasonal Metrics значительно превзошли многие из ведущих моделей прогнозирования. По сравнению с уже сильной базовой моделью данные коренных народов были на 14,6 % более точными, а уровень ошибок снизился на 26,2 % — это менее половины уровня ошибок существующих программ прогнозирования.
«Включение сезонных знаний коренных народов в прогнозы производства солнечной энергии может значительно повысить точность за счёт согласования прогнозов с естественными циклами, которые наблюдались и понимались на протяжении тысячелетий», — сказал Люк Хэмлин, кандидат наук Университета Чарльза Дарвина и соавтор исследования, представитель народа банджуланг на востоке Австралии.
Хэмлин добавил, что интеграция знаний коренных народов в прогнозные модели может более точно адаптировать систему к более тонким изменениям условий окружающей среды. Это предлагает «более точное и культурно обоснованное прогнозирование» для отдельных регионов. Команда считает, что эта стратегия особенно перспективна для сельских общин, в которых проживают крупные общины коренных народов. Эти же места могли бы получить наибольшую выгоду от дополнительных солнечных ферм. И этот подход не ограничивается солнечной энергетикой.
«В будущей работе мы рассмотрим применение модели к другим регионам и возобновляемым источникам энергии», — сказал Тусеехан Селвараджа, преподаватель информационных технологий Университета Чарльза Дарвина и соавтор исследования.