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 (66 отзывов)
4.8 (30 отзывов)
4.1 (20 отзывов)
4.8 (13 отзывов)
4.8 (40 отзывов)
4.2 (13 отзывов)
5 (145 отзывов)
4.4 (59 отзывов)
4.3 (248 отзывов)
