Применение искусственных нейронных сетей в задаче прогнозирования опасных конвективных явлений
В работе исследуется возможность прогнозирования таких опасных атмосферных явлений, как гроза, путем применения различных типов нейронных сетей к выходным данным полуторамерной численной модели конвективного облака. Рассматриваются четыре типа нейронных сетей: многослойный персептрон, персептронный комплекс, сеть радиально-базисных функций и вероятностная нейронная сеть. Наилучших результатов удалось достичь с использованием сети радиально-базисных функций. Точность прогнозирования в этом случае составила 91,6%, а среднеквадратическая ошибка – 0,069.
Введение 3
Постановка задачи 4
Обзор литературы 5
1 Численная модель конвективного облака 7
1.1 Процесс образования конвективных облаков . . . . . . . . . 7
1.2 Классификация численных моделей конвективных облаков . 9
1.3 Нестационарная полуторамерная модель конвективного облака 11
2 Формирование данных для исследования 13
2.1 Реализация алгоритма получения данных . . . . . . . . . . . 13
2.2 Данные . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.3 Предварительная обработка данных . . . . . . . . . . . . . . 16
3 Применение нейронных сетей 18
3.1 Многослойный персептрон . . . . . . . . . . . . . . . . . . . . 18
3.2 Персептронный комплекс . . . . . . . . . . . . . . . . . . . . 21
3.3 Сеть радиально-базисных функций . . . . . . . . . . . . . . 25
3.4 Вероятностная нейронная сеть . . . . . . . . . . . . . . . . . 29
Выводы 31
Заключение 34
Список литературы 35
В настоящее время актуальна проблема прогнозирования таких опас-
ных конвективных явлений, как грозы, град и обильные осадки, в связи с
масштабом разрушений, которые они производят. Информация о наступ-
лении подобных явлений нужна в первую очередь аэропортам, авиакомпа-
ниям и службам МЧС.
Для прогнозирования таких явлений повсеместно используются со-
временные численные модели конвективных облаков. Существует множе-
ство моделей, отличающихся как степенью детализации описания микро-
физических процессов, так и размерностью.
Для научных исследований наибольший интерес представляют трех-
мерные модели с подробным описанием микрофизических и электрических
характеристик облака, которые с большой степенью детализации описыва-
ют процессы в облаках во всей сложности их взаимодействия и, следова-
тельно, должны обеспечивать наилучшее качество прогнозов. Однако их
использование для оперативного прогнозирования в небольших метеоро-
логических центрах, например, в метеорологических центрах аэропортов,
невозможно из-за отсутствия там необходимой вычислительной мощности,
которая нужна для проведения расчетов по таким моделям. Использование
моделей меньшей размерности и более низкой функциональности ставит
проблему определения вероятности развития грозы только путем анализа
рассчитанных значений динамических и микрофизических характеристик
облака, поскольку такие модели не имеют блока, описывающего электри-
ческие процессы.
В настоящее время методы машинного обучения считаются одним
из наиболее перспективных инструментов для установления связи между
выходными данными таких численных моделей и вероятностью появления
грозы, таким образом они являются эффективным инструментом для про-
В данной работе проведено исследование применения искусственных
нейронных сетей в задаче прогнозирования опасных конвективных явле-
ний.
Была выбрана наиболее подходящая численная модель, позволяю-
щая реализовать оперативный прогноз эволюции конвективного облака.
Написана программа, которая получает радиозондировки и преобра-
зует их в формат входных данных численной модели. С использованием
методов машинного обучения реализован алгоритм предварительной обра-
ботки выходных данных модели.
Прогнозирование опасных конвективных явлений (грозы) осуществ-
лялось с использованием четырех типов нейронных сетей: многослойного
персептрона, персептронного комплекса, сети радиально-базисных функ-
ций и вероятностной нейронной сети. Для каждого типа сети была найде-
на структура, с использованием которой получаются лучшие результаты.
Был проведен анализ полученных результатов, на основе которого сделан
вывод о том, что для осуществления прогнозирования грозы с использова-
нием нейронной сети лучше всего использовать сеть радиально-базисных
функций.
Хочешь уникальную работу?
Больше 3 000 экспертов уже готовы начать работу над твоим проектом!
4.9 (20 отзывов)
4.8 (2878 отзывов)
4.5 (330 отзывов)
4.2 (6 отзывов)
4.9 (826 отзывов)
4.4 (93 отзыва)
4.6 (92 отзыва)
4.9 (35 отзывов)
4.9 (298 отзывов)
