Parempia tienpintalämpötilan ennusteita koneoppimismenetelmin
Ilmatieteen laitoksen tiesäämalli on fysikaalinen malli, joka laskee tien lämpötasapainoa ja pyrkii ennustamaan tieolosuhteita. Tutkimuksessa kehitettiin kaksi XGBoost-koneoppimismenetelmään perustuvaa mallia, jotka pyrkivät parantamaan tiesäämallin ennustamaa tienpinnan lämpötilaa.
Toinen kehitetyistä koneoppimismalleista on yleismalli kaikkiin pintalämpötiloihin. Mallia käyttämällä ennusteet paranivat 3–23 prosenttia verrattuna tiesäämallin alkuperäiseen ennusteeseen. Parannuksen suuruus riippui ennusteen pituudesta, joka oli pisimmillään 62 tuntia.
Toinen malli säädettiin toimimaan hyvin erityisesti nollan läheisissä lämpötiloissa. Sen avulla ennustetarkkuus parani 17–34 prosenttia riippuen ennusteen pituudesta, kun otettiin huomioon vain nollan läheiset lämpötilat ja korkeintaan 12 tunnin pituiset ennusteet.
Tienpintalämpötilan ennusteet lisäävät turvallisuutta
Tarkat tienpintalämpötilaennusteet ovat tärkeitä, sillä niiden avulla tiet voidaan suolata ennakoivasti niin, ettei jäätä pääse syntymään. Kun tienpintalämpötila on nollan lähellä, on pienestä kiinni, muodostuuko jäätä vai ei.
Hyvin hoidetut tiet lisäävät turvallisuutta ja ehkäisevät liikenneonnettomuuksia, joilla voi olla henkilövahinkojen lisäksi merkittäviä taloudellisia ja yhteiskunnallisia vaikutuksia. Tarkat ennusteet myös auttavat välttämään turhia suolauksia, jolloin säästetään kustannuksissa ja vältetään ylimääräisen suolan joutumista ympäristöön.
Tiesäämallin koodista saatavilla uusi avoin versio
Ilmatieteen laitoksen tiesäämallista on aiemmin julkaistu mallin koodia sisältävä avoin koodikirjasto Fortan-ohjelmointikielellä. Nyt samansisältöinen ohjelmisto on julkaistu Python-ohjelmointikielellä, mikä helpottaa mallin käyttöönottoa ja mahdollistaa ketterän mallin testaamisen ja muokkaamisen.
Uusi Python-versio sopii erityisesti tutkimuskäyttöön, kun taas aiempi Fortran-ohjelmointikielen malli sopii tehokasta laskentaa vaativaan ennustetuotantoon.
Lisätietoja
Tutkija Virve Karsisto, Ilmatieteen laitos, p. 029 539 5535
AI-kehityspäällikkö Leila Hieta, Ilmatieteen laitos
Asiantuntija Matti Kämäräinen, Ilmatieteen laitos
Sähköpostiosoitteet ovat muotoa etunimi.sukunimi@fmi.fi.
Tieteellinen julkaisu on avoimesti saatavilla Journal of Applied Climatology and Meteorology -lehdessä.
Viite: Karsisto, V., L. Hieta, and M. Kämäräinen, 2026: XGBoost-Based Corrections for Road Surface Temperature Forecasts. J. Appl. Meteor. Climatol., 65, 881–897, https://doi.org/10.1175/JAMC-D-25-0189.1.
