Применение метода искусственных нейронных сетей для регионализации прогноза осадков в Причерноморском регионе

В.В. Ефимов, В.Л. Посошков

Морской гидрофизический институт НАН Украины, Севастополь

Аннотация

Выполнена коррекция данных об осадках суточной дискретности с выхода глобальной системы реанализа применительно к наблюдаемым суточным суммам осадков в конкретных географических пунктах Причерноморского региона. Оценки сумм фактических осадков брались из базы данных European Climate Assessment and Dataset (ECAD). Анализировались осадки за три зимних месяца. В качестве рабочего инструмента для исследования связей между регулярными метеопеременными из реанализа (предикторами) и локальными осадками в конкретном географическом пункте (предиктантом) использовался метод искусственных нейронных сетей (ИНС). Предложен числовой критерий адекватности оценок суточных сумм осадков согласно реанализу и нейросетевой методике. На основании этого критерия демонстрируется большая эффективность ИНС в моделировании осадков по сравнению с реанализом.

Для цитирования

Ефимов В.В., Посошков В.Л. Применение метода искусственных нейронных сетей для регионализации прогноза осадков в Причерноморском регионе // Морской гидрофизический журнал. 2006. № 3. С. 23-35. EDN YOFQLB.

Efimov, V.V. and Pososhkov, V.L., 2006. Application of the method of artificial neural networks to the downscaling of precipitation forecasts in the coastal region of the Black Sea. Physical Oceanography, 16(3), pp. 141–152. https://doi.org/10.1007/s11110-006-0021-1

Список литературы

  1. Proceedings of the International CLIVAR Conference // WMO/TD. — 1998. — № 954. — P. 257.
  2. Rosenblatt R. Principles of Neurodynamics. — New York: Spartan Books, 1959.
  3. Bancert R.L. Cloud classification of AVHRR imagery in maritime regions using a probabilistic neural network // J. Appl. Meteor. — 1994. — 33. — P. 909–918.
  4. Marzban C., Stumpf G.G. A neural network for damaging wind prediction // Wea. Forecas. — 1998—13, № 3. — P. 151–163.
  5. Klein Tank A.M.G., Coauthors. Daily dataset of the 20th century surface air temperature and precipitation series for the European Climate Assessment // Int. J. Climatol. — 2002. — 22. — P. 1441–1453.
  6. Ефимов В.В., Посошков В.Л. Статистическое оценивание суточных сумм зимних осадков с использованием метода нейронных сетей // Известия РАН. Физика атмосферы и океана. — 2003. — 39, № 1. — С. 14–25.
  7. Kalnay E., Coauthors. The NCEP/NCAR 40-Year Reanalysis Project // Bull. Amer. Meteor. Sci. — 1996. — 77. — P. 437–471.
  8. Katz R.W., Glantz M.H. Anatomy of a rainfall index // Mon. Wea. Rev. — 1986. — 114. — P. 764–771.
  9. Kuligowski R.J., Barros A.P. Experiments in short-term precipitation forecasting using artificial neural networks // Mon. Wea. Rev. — 1998. — 126, № 2. — P. 470–482.
  10. Zorita E., Von Storch H. The analog method as a simple statistical downscaling technique: Comparison with more complicated methods // J.Clim. — 1999. — 12, № 8. — P. 2474–2489.
  11. Rumelhart D.E., Hinton G.E., Williams R.J. Learning representations by back-propagating errors // Nature. — 1986. — 323. — P. 533–536.
  12. Kuligowski R.J., Barros A.P. Localized precipitation forecasts from numerical weather prediction model using artificial neural networks // Wea. Forecas. — 1998—13, № 12. — P. 1194–1203.
  13. Hansen A.W., Kuipers W.J.A. On the relationship between the frequency of rain and various meteorological parameters // Koninklijk Nederlands Meteorologisch Instituut. Meded.Verhand. — 1965. — 81. — P. 2–15.
  14. Murphy A.H. Skill scores based on the mean square error and their relationships to the correlation coefficient // Mon. Wea. Rev. — 1988. — P. 2417–2434.

Файлы

Полный текст

Мы используем Яндекс Метрику. Подробнее.