Показана возможность использования глубоких нейронных сетей для оценки ожидаемой средней районной урожайности озимой пшеницы для территории Северо-Кавказского УГМС. Обучение нейронной сети выполнялось на наборе данных, включающих спутниковые индексы, метеорологические данные, а также временные ряды средней районной урожайности за период с 2012 по 2023 год. Проведен экспериментальный поиск оптимальных гиперпараметров нейронной сети, который позволил достичь баланса между точностью и обобщенностью модели. Проведен сравнительный анализ точности расчётов ожидаемой урожайности, полученных на основе нейронной сети, статистических регрессионных моделей и алгоритмов машинного обучения (дерево решений, случайный лес, линейная регрессия). Результаты анализа показали, что максимальная сходимость между фактической и рассчитанной урожайностями озимой пшеницы достигается с использованием нейронной сети. Полученные результаты демонстрируют перспективность нейросетевого подхода для оценки ожидаемой урожайности озимой пшеницы на основе комплексирования наземных и спутниковых данных.
Идентификаторы и классификаторы
- SCI
- Науки о Земле
В современном мире наблюдается стремительное развитие и широкое применение инструментов машинного обучения в самых разнообразных областях. Принципы, лежащие в основе наиболее передовых и эффективных моделей машинного обучения, были разработаны еще в середине прошлого века. Активное развитие машинного обучения началось примерно 10 лет назад. Это связано с накоплением значительных объёмов информации за последние годы и с существенным повышением вычислительных мощностей, необходимых для обучения моделей. Отличительной особенностью нейронной сети является ее способность к обучению на наблюдаемых примерах, с определением в процессе обучения вида функциональной зависимости. В 2006 году [12] была предложена концепция глубокого обучения, которая представляет собой процесс машинного обучения, направленный на формирование глубокой сетевой структуры.
Если у вас возникли вопросы или появились предложения по содержанию статьи, пожалуйста, направляйте их в рамках данной темы.
Список литературы
1. Клещенко А.Д., Савицкая О.В., Косякин С.А. Оценка средней районной урожайности озимой пшеницы по спутниковой и наземной метеорологической информации // Гидрометеорологические исследования и прогнозы. 2020. № 3 (377). С. 103-121. EDN: PLCDFP
2. Лупян Е.А., Барталев С.А., Толпин В.А., Крашенинникова Ю.С. Возможности использования пространственно-временных вегетационных индексов на примере анализа аномальных условий развития озимых культур на Европейской части России в 2016 году // Сборник тезисов докладов четырнадцатой всероссийской открытой конференции “Современные проблемы дистанционного зондирования земли из космоса”. 2016. С. 361. EDN: XSOUNV
3. Пойнтер Я. Программируем с PyTorch: Создание приложений глубокого обучения. СПб.: Питер, 2020. 256 с.
4. Ткачева Ю.В. Методика интерполяции кусочно-линейных данных об эмиссиях автотранспорта на регулярную модельную сетку // Труды Гидрометцентра России. 2018. Вып. 368. С. 170-180.
5. Толпин В.А., Лупян Е.А., Барталев С.А., Плотников Д.Е., Матвеев А.М. Возможности анализа состояния сельскохозяйственной растительности с использованием спутникового сервиса “ВЕГА” // Оптика атмосферы и океана. 2014. Том 27, № 7 (306). С. 581-586. EDN: SMGMPV
6. Шашко Д.И. Агроклиматическое районирование СССР. М.: Колос, 1967. 336 c.
7. Шолле Ф. Глубокое обучение на Python. СПб.: Питер, 2018. 400 с.
8. Akiba T., Sano S., Yanase T., Ohta T., Koyama M. Optuna: A next-generation hyperparameter optimization framework. In International Conference on Knowledge Discovery and Data Mining. 2019. P. 2623-2631.
9. Bergstra J., Bengio Y. Random search for hyper-parameter optimization // Journal of machine learning research. 2012. P. 281-305.
10. Breiman L. Random Forests // Machine Learning. 2001. Vol. 45. P. 5-32. EDN: ARROTH
11. Hutter F., Kotthoff L., Vanschoren J. Automated Machine Learning // Hyperparameter Optimization. Springer, 2019. P. 3-33.
12. Hinton G.E., Osindero S., Teh Y.W. A fast learning algorithm for deep belief nets // Neural Comput. 2006. Vol. 18. P. 1527-1554. DOI: 0.1162/neco.2006.18.7.1527.
13. Kogan F. N. NOAA / AVHRR Satellite Data-Based Indices for Monitoring Agricultural Droughts // Monitoring and Predicting Agricultural Drought. Oxford: University Press, 2005. P. 79-89.
14. Khaki S., Wang L. Crop Yield Prediction Using Deep Neural Networks // Frontiers in Plant Science. 2019. Vol. 10. DOI: 10.3389/fpls.2019.00621
15. Kumar S., Kumar V., Sharma R. K. Sugarcane yield forecasting using artificial neural network models // International Journal of Artificial Intelligence and Applications. 2015. Vol. 6, no. 5. P. 51-68.
Выпуск
Другие статьи выпуска
Обеспечение круглогодичной навигации по Северному морскому пути является важной задачей социально-экономического развития Российской Федерации. При выборе оптимального пути следования судна в сплоченных льдах арктических морей важным фактором является наличие попутных разрывов в ледяном покрове, так как они представляют собой потенциальные маршруты более легкого плавания. Использование попутных разрывов позволяет увеличить скорость движения судна, тем самым повышая экономическую эффективность и безопасность плавания. Прогностическая информация о разрывах учитывается при планировании и организации морских операций. В случае, когда по какой-либо причине нет возможности получить актуальную спутниковую информацию о ледяном покрове в районе следования судна, для получения данных о разрывах могут быть использованы диагностические прогнозы. Таким образом, прогнозы преобладающей ориентации разрывов в ледяном покрове являются важной составной частью ледовых прогнозов.
Представлены результаты испытаний подсистемы глобальных пятисуточных прогнозов ветрового волнения, выпускаемых в рамках комплексной системы прогнозирования ветрового волнения, созданной в Гидрометцентре России в рамках темы 1.1.10 «Разработка и усовершенствование моделей, методов и технологий прогнозирования гидрометеорологических характеристик акваторий Мирового океана, морей и морских устьев рек России» (2020–2024 гг.). Комплексная система построена по сопряженной схеме «океан – море – прибрежная зона» на базе высокопроизводительной вычислительной платформы Cray XC40-LC и последних версий волновой модели Wave Watch-III и предназначена для выпуска прогнозов по акваториям как Мирового океана, так и всех российских морей. Новая прогностическая система в части глобальных прогнозов призвана заменить действующую с 2016 г. технологию прогнозирования характеристик ветрового волнения в Мировом океане (решение ЦМКП от 21.03.2016).
К основным характеристикам замерзающих морей, оказывающих существенное влияние на морскую деятельность в холодный период года, относятся сплоченность и толщина льда. Возможность прогнозирования ледяного состояния и его динамики является одной из ключевых задач оперативных подразделений учреждений Росгидромета.
Метод сезонных прогнозов температуры поверхности океана и состояния морского льда на основе модели Земной системы ИВМ РАН и системы подготовки данных Гидрометцентра России разработан Гидрометцентром России совместно с Институтом вычислительной математики им. Г. И. Марчука Российской академии наук в рамках реализации Важнейшего инновационного проекта государственного значения (ВИП ГЗ). Метод испытывался в соответствии с Программой испытаний, утвержденной директором ФГБУ «Гидрометцентр России» 08.02.2024 года.
Технология разработанного в ФГБУ «Гидрометцентр России» 30-суточного прогноза приземной температуры воздуха состоит из двух частей: усовершенствованной схемы среднесрочных прогнозов элементов погоды (РЭП) с расширенным (до 15 суток) сроком действия [1] и результатов численного моделирования по модели ПЛАВ [2]. Гидродинамико-статистический метод 30-суточного прогноза приземной температуры воздуха основывается на полученных на базе РЭП прогнозах аномалий приземной температуры воздуха на 15 суток и результатах интегрирования модели ПЛАВ на интервале 16‒30 суток.
В статье рассматриваются основные погодные аномалии зимы 2023-2024 гг. и лета 2024 года. Показано, что в этом году условия для формирования продуктивности сельскохозяйственных культур были значительно хуже обычного, что не позволило растениям сформировать запланированный урожай.
Анализируются изменения характеристик групповой структуры поверхностных волн во время экстремального шторма в Черном море 25-26 ноября 2023 года. Для анализа используются данные волновых измерений, которые проводились на стационарной океанографической платформе, расположенной около Южного берега Крыма. Расчет характеристик групповой структуры проводится в рамках двух процедур, в основе которых лежат преобразование Гильберта и функция SIWEH. Построен временной ход фактора групповитости и числа волн в группе. Временной ход параметров групповой структуры, рассчитанных в рамках двух процедур, подобен. На стадии развития шторма фактор групповитости и число волн в группе меняются незначительно, на стадии ослабления шторма значения указанных параметров уменьшаются. Во время шторма происходит значительный рост периодов доминантных волн, что приводит к увеличению длины группы.
Представлены результаты статистического анализа данных измерений параметров приповерхностных течений, выполненных на 690 автономных и притопленных буйковых станциях в 1956-2015 гг. в экспедициях ААНИИ в арктических морях. Изменчивость течений анализировалась раздельно в открытых акваториях и в проливах. Для анализа данных применён статистический метод векторно-алгебраического анализа. Рассчитаны простые статистические характеристик изменчивости течений: среднее, медиана, в некоторых случаях выделены максимум, минимум и коэффициенты асимметрии и эксцесса. Получены количественные оценки дисперсии суммарных (измеренных) течений, их пространственной однородности и направленности изменчивости. Установлена неравномерность параметров течений в различных слоях от поверхности до 25 метров: повышение изменчивости скорости течений от поверхности к слою 10-20 м с последующим понижением с глубиной. Линейная связанность течений понижается начиная с горизонтов 10(12) - 25 м. Уменьшение изменчивости скорости течений с глубиной сопровождается повышением их пространственной упорядоченности, выраженной в понижении анизотропности дисперсии (в сжатии эллипса дисперсии). Возрастание изменчивости течений с глубиной характерно для измерений, выполненных подо льдом. Показана связь с рельефом дна и с ареалами распространения речных вод в летний период. Полученные результаты сравниваются с результатами других авторов в южных морях (Чёрное, Средиземное, Каспийское).
Прогноз толщины льда на 16 суток для Каспийского и Охотского морей реализован на основе вязко-пластичной модели льда CICE с использованием в качестве форсинга трехчасовых прогностических полей негидростатической атмосферной модели WRF-ARW: приземной температуры, влажности, скорости ветра, осадков и приходящей солнечной радиации. Прогноз рассчитывается в узлах регулярной широтно-долготной сетки 0.25°. Выполнено сравнение значений толщины льда на 7 и 14-й день прогноза с измеренной толщиной на морских береговых станциях Большой Пешной в Каспийском море и на пяти станциях в Охотском море, а также а также с данными анализа GDAS NCEP, карт Sigrid-3 ФГБУ «НИЦ «Планета» и карт ледовой обстановки ФГБУ «Гидрометцентр России» по всему Охотскому морю. Сравнение результатов расчета с данными наблюдений показало, что модель удовлетворительно воспроизводит процессы нарастания и таяния льда.
Рассматривается актуальная задача краткосрочного прогнозирования суточных атмосферных осадков с использованием метеорологической информации и данных, полученных на основе измерений напряженности электрического поля атмосферы, но без привлечения данных о прошлых значениях осадков. Проведенные исследования показали высокую эффективность применения искусственного интеллекта в решении поставленной задачи, в частности, таких методов машинного обучения, как модели градиентного бустинга, деревья решений, нейронные сети. Данные для исследования за период с 2020 по 2025 год получены с метеостанции Нальчик (Россия, WMO ID 37212) и измерителя напряженности электрического поля EFM-100 установленного на крыше здания ФГБУ «ВГИ».
Изучены причины формирования экстремально морозной погоды с температурой воздуха ниже -40 °C в Красноярске, оценена точность ее прогноза региональной моделью WRF-ARW для четырех случаев в 2019, 2020 и 2023 гг., которые связаны с формированием мощного антициклона над Западно-Сибирской равниной и адвекцией очень холодного арктического воздуха в передней части высотного гребня, сопровождающегося ясной, безоблачной погодой. Изучены условия формирования городского острова тепла, интенсивность которого меняется от 4,0 до 8,0 °C, в среднем составила 6,4 °C. Области максимальной температуры находятся на обоих берегах Енисея в местах наиболее плотной застройки. В дневные часы городской остров тепла проявляется слабее, чем ночью. Определено, что модель WRF-ARW на вторые сутки прогноза воспроизводит городской остров тепла, однако завышает прогнозируемую температуру воздуха, особенно сильно в дневные сроки. Средняя абсолютная ошибка прогноза температуры воздуха на сроки, близкие к наступлению суточного минимума, составила 2,6 и 3,9 °C при прогнозе на 24 и 48 ч соответственно.
Представлены результаты замены параметризаций коротковолновой и длинноволновой радиации в глобальной модели атмосферы ПЛАВ на свободнораспространяемую параметризацию ecRad. Эффект от такой замены оценивался на годовом и сезонном масштабах. Показано, что усовершенствованная и настроенная модель точнее воспроизводит среднегодовое и среднесезонное поле осадков, как в интегральных характеристиках, так и в географическом распределении. Уменьшились ошибки воспроизведения среднесезонной атмосферной циркуляции в тропиках вблизи поверхности. Внедрение параметризации радиации ecRad с ecCKD позволило ускорить расчеты сезонных прогнозов модели ПЛАВ на 17 %.
Исследована сезонная и межгодовая изменчивость высоты и температуры тропопаузы на основании информации 41 станции аэрологического зондирования, расположенной южнее 30° ю. ш., в период 2015-2024 гг. Получены средние значения характеристик тропопаузы и их распределение, обсуждается влияние антарктического континента на положение тропопаузы. Проведен поиск трендов высоты тропопаузы в Южном полушарии за прошедшее десятилетие.
Представлен краткий обзор современных средств и методов наукастинга порывов приземного ветра с использованием выходной продукции численного прогноза погоды, радиолокационных наблюдений и приемов машинного обучения. Приводятся соответствующие определения и термины, описываются наблюдательные инструменты и методы обработки наблюдений, обсуждаются модели ветровых порывов и системы их наукастинга. Обзор составлен с учетом оперативных отечественных технологий, задействованных в проведенных в 2024 году испытаниях версии системы наукастинга порывов.
Статистика статьи
Статистика просмотров за 2026 год.
Издательство
- Издательство
- ГИДРОМЕТЦЕНТР РОССИИ
- Регион
- Россия, Москва
- Почтовый адрес
- 123376, Россия, Москва, Большой Предтеченский переулок, д.13, строение 1
- Юр. адрес
- 123376, г Москва, Пресненский р-н, Большой Предтеченский пер, д 13 стр 1
- ФИО
- Борщ Сергей Васильевич (ДИРЕКТОР)
- E-mail адрес
- hmc@mecom.ru
- Контактный телефон
- +7 (499) 2523448