[et_pb_section fb_built=”1″ theme_builder_area=”post_content” _builder_version=”4.27.4″ _module_preset=”default”][et_pb_row _builder_version=”4.27.4″ _module_preset=”default” theme_builder_area=”post_content”][et_pb_column _builder_version=”4.27.4″ _module_preset=”default” type=”4_4″ theme_builder_area=”post_content”][et_pb_text _builder_version=”4.27.4″ _module_preset=”default” theme_builder_area=”post_content” hover_enabled=”0″ sticky_enabled=”0″]<\/p>\n
Koneoppiminen revontulien ennustamisessa<\/strong><\/p>\n Opinn\u00e4ytety\u00f6 Simuloitu tunnistusmalli revontulien paikallisen n\u00e4kyvyyden ennustamiseen<\/strong> on Nelli H\u00e4nnisen Lapin ammattikorkeakoulun tieto- ja viestint\u00e4tekniikan tutkinto-ohjelman insin\u00f6\u00f6ri (AMK) -ty\u00f6 vuodelta 2025. Opinn\u00e4ytety\u00f6n tavoitteena oli kehitt\u00e4\u00e4 simuloitu koneoppimismalli, joka tuottaa teoreettisen ennusteen revontulien paikallisesta n\u00e4kyvyydest\u00e4 Rovaniemell\u00e4. Ty\u00f6 toteutettiin osana Lapin teko\u00e4lykiihdytt\u00e4m\u00f6 -hanketta.<\/p>\n Tavoitteet<\/strong><\/p>\n Opinn\u00e4ytety\u00f6n tavoitteena oli kokeellisesti testata, kuinka teko\u00e4ly- ja koneoppimismenetelmi\u00e4 voidaan soveltaa revontuliennusteen rakenteen kehitt\u00e4miseen, ja arvioida mallin teoreettista toimivuutta demoversiossa. Ty\u00f6ss\u00e4 tarkasteltiin erityisesti mallin soveltuvuutta ep\u00e4tasapainoiseen ja aikasarjamuotoiseen aineistoon sek\u00e4 tunnistettiin menetelmien rajoitteita ja kehityskohteita ennen todellisten havaintoaineistojen k\u00e4ytt\u00f6\u00e4.<\/p>\n V\u00e4lineet<\/strong><\/p>\n Ty\u00f6ss\u00e4 hy\u00f6dynnettiin Python-ohjelmointikielt\u00e4 sek\u00e4 keskeisi\u00e4 data-analytiikan ja koneoppimisen kirjastoja, kuten pandasia, NumPy\u00e4 ja scikit-learnia. Mallinnuksessa k\u00e4ytettiin Random Forest -algoritmia, ja tulosten tulkintaa tuettiin ominaisuuksien t\u00e4rkeysanalyyseilla. Aineisto muodostettiin yhdist\u00e4m\u00e4ll\u00e4 Ilmatieteen laitoksen s\u00e4\u00e4muuttujia ja NOAA:n avaruuss\u00e4\u00e4mittauksia. Demosovellus toteutettiin Streamlit-kirjaston avulla.<\/p>\n Prosessi<\/strong><\/p>\n Ty\u00f6 toteutettiin toiminnallisella kehitt\u00e4mismenetelm\u00e4ll\u00e4, jossa hy\u00f6dynnettiin koneoppimismalleja, kuten p\u00e4\u00e4t\u00f6spuita ja satunnaismetsi\u00e4. Prosessi eteni aineiston keruusta ja esik\u00e4sittelyst\u00e4 koneoppimismallin rakentamiseen, arviointiin ja tulosten analysointiin. Mallia testattiin s\u00e4\u00e4nt\u00f6perusteisesti simuloidulla tavoitemuuttujalla, jotta sen toimintaperiaatetta voitiin arvioida ilman todellisia revontulihavaintoja. Erityist\u00e4 huomiota kiinnitettiin tietovuodon ehk\u00e4isyyn ja mallin arviointiin useilla suorituskykymittareilla.<\/p>\n Tulokset<\/strong><\/p>\n Tulokset osoittivat, ett\u00e4 koneoppimismalli pystyi tunnistamaan revontulien esiintymiseen liittyvi\u00e4 keskeisi\u00e4 fysikaalisia ilmi\u00f6it\u00e4, kuten aurinkotuulen ja geomagneettisen aktiivisuuden vaikutuksia. Mallin tekninen suorituskyky oli simuloidussa ymp\u00e4rist\u00f6ss\u00e4 virheet\u00f6n, mutta ty\u00f6 toi esiin simuloidun l\u00e4hestymistavan rajoitteet todellisessa ennustamisk\u00e4yt\u00f6ss\u00e4. Ty\u00f6n tuloksena syntyi web-pohjainen Streamlit-demoversio, joka visualisoi ennusteen karttan\u00e4kym\u00e4n\u00e4 ja tuottaa k\u00e4ytt\u00e4j\u00e4lle yksinkertaisen GO\/NO GO -suosituksen.<\/p>\n Opinn\u00e4ytety\u00f6 osoittaa, ett\u00e4 koneoppimisen periaatteita voidaan soveltaa onnistuneesti revontulien n\u00e4kyvyyden arviointiin teoreettisella tasolla ja ett\u00e4 vastaavaa rakennetta voidaan jatkossa kehitt\u00e4\u00e4 ja validoida todellisilla havaintoaineistoilla esimerkiksi matkailun ja ymp\u00e4rist\u00f6tiedon digitaalisissa palveluissa.<\/p>\n