Предложен новый метод оперативного прогноза неблагоприятных метеорологических условий (НМУ) на основе искусственных нейронных сетей. Проведен сравнительный анализ трех подходов: пошаговой линейной регрессии с предварительной линеаризацией связей и синоптическим предиктором, а также многослойного перцептрона - с включением и без включения синоптического предиктора. Обучение и тестирование моделей проведено на данных девяти городов (суммарно более 35 лет наблюдений). Все подходы показали достаточную эффективность, при этом нейросетевые схемы обеспечили лучшую предупрежденность НМУ при меньшем числе ложных тревог. Результаты демонстрируют перспективность автоматизации учета крупномасштабных атмосферных процессов вместо традиционной ручной классификации синоптических ситуаций.
This paper introduces a new neural network-based method for operational forecasting of unfavorable meteorological conditions (UMCs) that contribute to the accumulation of pollutants in the surface layer of the atmosphere. Three approaches are compared: stepwise linear regression (with preliminary linearization and a synoptic predictor) and multilayer perceptrons (with/without synoptic predictor). Models were trained and tested on over 35 years of observational data from nine Russian cities. All approaches provide sufficient accuracy for operational use, but neural network-based models showed higher UMC detection rates and fewer false alarms. We found that the inclusion of synoptic information improves forecasting accuracy, particularly during the warm season. The results highlight the potential of neural networks to automate the analysis of large-scale atmospheric patterns, reducing reliance on manual synoptic classifications.
Предпросмотр статьи
Идентификаторы и классификаторы
- SCI
- Науки о Земле
