Том 38, номер 04, статья № 7

Аннотация:

В 2023 г. более трети опасных метеорологических явлений в Сибирском федеральном округе были связаны с сильным ветром, что подчеркивает важность повышения точности и заблаговременности его прогнозирования. Современные методы численного моделирования и машинного обучения позволяют улучшить прогнозы, однако задача прямого расчета порывов ветра остается актуальной из-за ограниченного разрешения моделей. Предлагается оригинальный метод коррекции результатов краткосрочного прогноза порывов ветра, полученных на основе мезомасштабных моделей численного прогноза погоды, с помощью заблаговременных измерений и применения искусственных нейронных сетей. Результаты показали, что предложенный способ коррекции позволяет улучшить прогноз порывов ветра, выполняемый по различным полуэмпирическим методикам. Результаты могут быть применены в метеорологии, энергетике, транспорте и других отраслях для минимизации ущерба от опасных погодных явлений.

Ключевые слова:

порывы ветра, мезомасштабная модель TSUNM3, ультразвуковая метеостанция, коррекция численных прогнозов, нейронные сети

Список литературы:

1. Доклад об особенностях климата на территории Российской Федерации за 2023 год. М.: Росгидромет, 2024. 104 с.
2. Курбатова М.М., Рубинштейн К.Г. Гибридный метод прогноза порывов ветра // Оптика атмосф. и океана. 2018. Т. 31, № 7. С. 523–529. DOI: 10.15372/AOO20180704.
3. Старченко А.В., Дель И.В., Одинцов С.Л. Численное прогнозирование порывов ветра в г. Томске с помощью модели TSUNM3 // Оптика атмосф. и океана. 2024. Т. 37, № 3. С. 225‒233. DOI: 10.15372/AOO20240306; Starchenko A.V., Del’ I.V., Odintsov S.L. Numerical prediction of wind gusts using the TSUNM3 model // Atmos. Ocean. Opt. 2024. V. 37, N 3. P. 429–437.
4. Schulz J.-P. Revision of the turbulent gust diagnostics in the COSMO model // COSMO Newletter. 2008. V. 8. P. 17–22.
5. Zjavka L. Wind speed forecast correction models using polynomial neural networks // Renewable Energy. 2015. V. 83. P. 998–1006. DOI: 10.1016/j.renene.2015.04.054.
6. Ding M., Zhou H., Xie H., Wu M., Nakanishi Y., Yokoyama R. A gated recurrent unit neural networks based wind speed error correction model for short-term wind power forecasting // Neurocomputing. 2019. V. 365. P. 54–61. DOI: 10.1016/j.neucom.2019.07.058.
7. Zhao X., Sun Q., Tang W., Yu S., Wang B. A comprehensive wind speed forecast correction strategy with an artificial intelligence algorithm // Front. Environ. Sci. 2022. V. 10. DOI: 10.3389/fenvs.2022.1034536.
8. Борисов Д.В., Кузнецова И.Н. Постпроцессинг численных прогнозов концентраций приземного озона с использованием машинного обучения // Гидрометеорологические исследования и прогнозы. 2023. Т. 390, № 4. С. 86–104. DOI: 10.37162/2618-9631-2023-4-86-104.
9. Старченко А.В., Кижнер Л.И., Данилкин Е.А., Шельмина Е.А., Проханов С.А. Численное моделирование погоды и качества атмосферного воздуха в городах. Томск: Изд-во ТГУ, 2022. 140 с.
10. Хайкин С. Нейронные сети. Полный курс. М.: Издательский дом «Вильямс», 2006. 1104 с.
11. Гладких В.А., Невзорова И.В., Одинцов С.Л. Структура порывов ветра в приземном слое атмосферы // Оптика атмосф. и океана. 2019. Т. 32, № 4. С. 304–308. DOI: 10.15372/AOO20190408.
12. Толстых М.А., Шашкин В.В., Фадеев Р.Ю., Шляева А.В., Мизяк В.Г., Рогутов В.С., Богословский Н.Н., Гойман Г.С., Махнорылова С.В., Юрова А.Ю. Система моделирования атмосферы для бесшовного прогноза. М.: Триада ЛТД, 2017. 166 с.
13. Benjamin S.G., Brown J.M., Brundage K.J., Dévényi D., Grell G.A., Kim D., Schwartz B.E., Smirnova T.G., Smith T.L., Weygandt S.S., Manikin G.S. NWS Technical Procedures. Bulletin. N 490. RUC20 – The 20 km Version of the Rapid Update Cycle. Boulder: NOAA/OAR Forecast Systems Laboratory, 2002.
14. Suarez M., Poffo D., Pierobon E., Martina A., Saffe J., Rodriguez A. Wind and gust forecasts assesment of Weather Research and Forecast (WRF) model in Cordoba, Argentina // AJAE. 2021. V. 16, N 1. P. 2021133. DOI: 10.5572/ajae.2021.133.
15. Смирнова М.М., Игнатов Р.Ю. Анализ вертикальной структуры и турбулентности в пограничном слое атмосферы в прогнозах региональной модели // Ученые записки РГГМУ. 2011. № 21. С. 57–65.
16. Friedman J.H. Greedy function approximation: A gradient boosting machine // Ann. Stat. 2001. V. 29, N 5. P. 1189–1232. DOI: 10.1214/aos/1013203451.
17. Шолле Ф. Глубокое обучение на Python. СПб.: Питер, 2018. 400 с.
18. Abadi M. Agarwal A., Barham P., Brevdo E., Chen Z., Citro C., Corrado G., Davis A., Dean J., Devin M., Ghemawat S., Goodfellow I., Harp A., Irving G., Isard M., Jia Y., Józefowicz R., Kaiser L., Kudlur M., Levenberg J., Mané D., Monga R., Moore Sh., Murray D., Olah C., Schuster M., Shlens J., Steiner B., Sutskever I., Talwar K., Tucker P., Vanhoucke V., Vasudevan V., Viégas F., Vinyals O., Warden P., Wattenberg M., Wicke M., Yu Yu., Zheng X. TensorFlow: A system for large-scale machine learning // 12th USENIX Symposium on Operating Systems Design and Implementation. 2016. P. 265–283.
19. Gardner M.W., Dorling S.R. Artificial neural networks (the multilayer perceptron). A review of applications in the atmospheric sciences // Atmos. Environ. 1998. V. 32. P. 2627–2636. DOI: 10.1016/s1352-2310(97)00447-0.
20. Bergstra J., Bengio Y. Random search for hyper-parameter optimization // J. Machine Learning Res. 2012. V. 13, N 10. P. 281–305. DOI: 10.5555/2503308.2188395.
21. He K., Zhang X., Ren S., Sun J. Deep residual learning for image recognition // 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2015. P. 770–778. DOI: 10.48550/arXiv.1512.03385.
22. Loshchilov I., Hutter F. Fixing weight decay regularization in Adam // 2018 International Conference on Learning Representations. 2018. DOI: 10.48550/arXiv.1711.05101.
23. Huber P.J. Robust estimation of a location parameter // Ann. Math. Stat. 1964. V. 35, N 1. P. 73–101.