Тема: ИССЛЕДОВАНИЕ ВОДОЗАПАСА ОБЛАКОВ МКВ МЕТОДОМ В РАЙОНЕ САНКТ-ПЕТЕРБУРГА

Облака являются важным составляющим элементом формирования погоды и климата планеты. Облака оказывают влияние на такие процессы, как: круговорот воды в природе, тепловой баланс системы Земля - атмосфера, самоочищение атмосферы, прохождение электромагнитных волн в атмосфере и др. В последние десятилетия сведения о характеристиках облаков стали остро востребованы в областях прогнозирования погоды, изучения и моделирования климата, активных воздействий на атмосферные процессы, космических исследований, а также авиационной и радиолокационной техники, спутниковой метеорологии и т.д.[1]
Одной из основных характеристик облака является его водозапас. Согласно справочнику «Облака и облачная атмосфера» 1989 года [1], водозапас - масса сконденсированной воды в столбе облачного воздуха единичного сечения. Измерение водозапаса облаков является одним из важнейших звеньев в изучении строения, эволюции и физических свойств естественных облаков. Для получения водозапаса облаков используются различные активные и пассивные дистанционные методы измерений. Например, МКВ - радиометрический метод. Данный метод основан на регистрации собственного радиотеплового излучения и является одним из немногих эффективных методов определения водозапаса облаков с поверхности Земли, ввиду возможности осуществления длительных, автоматических измерений данным методом в практически любых погодных условиях с высоким временным разрешением. МКВ метод широко используется для наземных измерений, а также для спутниковых измерений над океаническими поверхностями.
Данная диссертационная работа состоит из двух частей:
• Обзор методов для измерения водозапаса облаков и соответствующей аппаратуры (МКВ радиометров);
• Реализация метода множественной линейной регрессии для обработки данных микроволнового радиометра RPG HATPRO, функционирующего в СПбГУ.

Купить

В настоящей диссертационной работе решалась задача реализации метода линейной регрессии для определения водозапаса облаков по наземным измерениям микроволнового излучения аппаратурой HATPRO, проводились оценки точности этого метода, и результаты определения водозапаса сравнивались с результатами, полученными независимыми методами.
Были получены следущие результаты:
1) Погрешность определения водозапаса облаков методом линейной
регрессии существенно зависит от качества и полноты «обучающего» ансамбля данных. Численные эксперименты, проведенные на двух обучающих и одном тестовом ансамбле данных показали, что различие в средней погрешности может достигать 0,072 кг/м2, а в среднеквадратической - 0,019 кг/м2.
2) Обучение на различных по качеству и полноте ансамблях данных влияет и на величину систематической погрешности определения водозапаса. Согласно сделанным оценкам систематическая составляющая погрешности может изменяться на 0,003 кг/м2.
3) Метод линейной регрессии обладает заметно меньшей чувствительностью к сбоям во входных данных, чем метод квадратической регрессии. Например, в период 4 Сентября 2014 года в результате сбоя в результатах измерений систематическая погрешность метода квадратической регрессии изменилась на 0,15 кг/м2, а метода линейной регрессии - на 0,019 кг/м2 и 0,032 кг/м2 для LREA M1 и LREA M2 соответственно.
4) Сравнение обоих регрессионных методов с физическим методом для периода с большим значением водозапаса облаков показало, что среднее расхождение и скв расхождение QREA с методом PHA составляет 0,007 кг/м2 и 0,030 кг/м2, тогда как расхождения LREA M2 с методом PHA составляет -0,012 кг/м2 и 0,023 кг/м2. В случае периода с малым значением водозапаса значения следующие: среднее и скв расхождения QREA с PHA составляют -0,010 кг/м2 и 0,008 кг/м2, тогда как расхождение LREA M2 с PHA составляет -0,006 кг/м2 и 0,009 кг/м2.
Принимая все вышеперечисленные результаты во внимание, можно говорить о том, что для расчета водозапаса облаков возможно использовать МЛР в качестве замены множественной квадратической регрессии. Более того, в ходе данной работы, некоторые результаты расчета водозапаса облаков методом МЛР оказались лучше, чем результаты расчета множественной квадратической регресией. Тем не менее, переход на использование метода МЛР предполагает его доработку с использованием в качестве обучающего массива более качественного и представительного набора данных. Необходимо отметить, что формирование более качественного и представительного обучающего массива выходило за рамки данной работы.

Купить