📄Работа №58774
Тема: Использование методов машинного обучения для прогнозирования опасных конвективных явлений с помощью численной модели конвективного облака
Тип работы
Бакалаврская работа
Предмет
информатика
Объем:
31 листов
Год:
2016
Просмотров:
344
4365
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
Введение 3
Постановка задачи 5
Обзор литературы 6
Глава 1. Выбор численной модели конвективного облака 8
Глава 2. Валидация модели 10
2.1. Настройка диаметров цилиндров 10
2.2. Время жизни облака 13
2.3. Изменение во времени скорости восходящего потока 14
2.4. Изменения во времени водности облачных капель на высоте 5.2-6.1 км 14
Глава 3. Настройка численной модели конвективного облака 16
3.1. Автоматизация модели 16
Глава 4. Использование численной модели конвективного облака 18
4.1. Источник данных 18
4.2. Предобработка данных 18
4.3. Использование модели 19
Глава 5. Применение методов машинного обучения 21
5.1. Краткое определение машинного обучения 21
5.2. Выделение значимых признаков 22
5.3. Использование различных методов 23
Выводы 26
Заключение 28
Список литературы
Постановка задачи 5
Обзор литературы 6
Глава 1. Выбор численной модели конвективного облака 8
Глава 2. Валидация модели 10
2.1. Настройка диаметров цилиндров 10
2.2. Время жизни облака 13
2.3. Изменение во времени скорости восходящего потока 14
2.4. Изменения во времени водности облачных капель на высоте 5.2-6.1 км 14
Глава 3. Настройка численной модели конвективного облака 16
3.1. Автоматизация модели 16
Глава 4. Использование численной модели конвективного облака 18
4.1. Источник данных 18
4.2. Предобработка данных 18
4.3. Использование модели 19
Глава 5. Применение методов машинного обучения 21
5.1. Краткое определение машинного обучения 21
5.2. Выделение значимых признаков 22
5.3. Использование различных методов 23
Выводы 26
Заключение 28
Список литературы
📖 Введение
На сегодняшний день одним из наиболее актуальных и приоритетных на-правлений в науке является решение таких практически значимых задач, как предсказание опасных конвективных явлений. Ведь такие явления как град, шквал или гроза оказывают значительное влияние на жизнь людей, не говоря уже об их роли в причинении разрушений в огромных масштабах. Одним из ключевых факторов возникновения таких явлений и формирования погоды в целом являются конвективные облака. В наши дни их изучение производится по трем основным направлениям: исследования в лабораториях, натурные эксперименты и численное моделирование. В силу ряда объективных причин, таких как сложность проведения контрольных экспериментов, их трудо-доступности и дороговизны используемых для этого приборов, наиболее эффективным и распространенным методом изучения облаков является их численное моделирование.
В данной работе используется полуторамерная нестационарная модель конвективного облака с подробным описанием микрофизических процессов для расчета параметров облака, которые могут быть использованы в дальнейшем для прогнозирования опасных конвективных явлений. Представлен ранее неиспользуемый подход для автоматической классификации результатов радиозондирования атмосферы (далее данные радиозондирования или зондировки). Прогноз осуществляется по отобранным численным параметрам смоделированного облака с помощью методов машинного обучения. Машинное обучение — математическая дисциплина, позволяющая посредством ис-пользования различных разделов теории вероятностей, математической статистики и численных методов, получать знания из имеющихся данных. Она используется для автоматизации решения различных задач в самых разных областях человеческой деятельности. В наши дни в результате повсеместной информатизация накоплены внушительные объёмы данных во всевозможных отраслях таких как производство, наука, бизнес, здравоохранение. В данной работе машинное обучение используется для автоматизации нахождения решения задачи классификации зондировок, в результате чего данная численная модель может быть использована для оперативного прогноза опасного конвективного явления в различных метеоцентрах. Представлены результаты применения различных методов машинного обучения для классификации зондировок посредством обучения с учителем.
Оказалось, что вплоть до настоящего времени прогноз опасных явлений, связанных с развитием конвекции (гроза, град, шквал) осуществляется с помощью полуэмпирических методов Пескова, Ягудина, Решетова, Лебедевой и др. [1]. Они основаны на расчете комплексных коэффициентов, которые являются функциями некоторых параметров облака, таких как, например, температура и высота верхней границы облака, значение температуры на уровне определенной изобары и др. Такого рода параметры определяются либо с помощью синоптической карты, либо с помощью аэрологической диаграммы, по которой можно определить возможное развитие облака, начиная от уровня конденсации. В данной работе параметры облака рассчитываются с помощью численной модели, используя в качестве начальных и граничных условий данные радиолокационного зондирования атмосферы (вертикальные распре-деления температуры и влажности).
В данной работе используется полуторамерная нестационарная модель конвективного облака с подробным описанием микрофизических процессов для расчета параметров облака, которые могут быть использованы в дальнейшем для прогнозирования опасных конвективных явлений. Представлен ранее неиспользуемый подход для автоматической классификации результатов радиозондирования атмосферы (далее данные радиозондирования или зондировки). Прогноз осуществляется по отобранным численным параметрам смоделированного облака с помощью методов машинного обучения. Машинное обучение — математическая дисциплина, позволяющая посредством ис-пользования различных разделов теории вероятностей, математической статистики и численных методов, получать знания из имеющихся данных. Она используется для автоматизации решения различных задач в самых разных областях человеческой деятельности. В наши дни в результате повсеместной информатизация накоплены внушительные объёмы данных во всевозможных отраслях таких как производство, наука, бизнес, здравоохранение. В данной работе машинное обучение используется для автоматизации нахождения решения задачи классификации зондировок, в результате чего данная численная модель может быть использована для оперативного прогноза опасного конвективного явления в различных метеоцентрах. Представлены результаты применения различных методов машинного обучения для классификации зондировок посредством обучения с учителем.
Оказалось, что вплоть до настоящего времени прогноз опасных явлений, связанных с развитием конвекции (гроза, град, шквал) осуществляется с помощью полуэмпирических методов Пескова, Ягудина, Решетова, Лебедевой и др. [1]. Они основаны на расчете комплексных коэффициентов, которые являются функциями некоторых параметров облака, таких как, например, температура и высота верхней границы облака, значение температуры на уровне определенной изобары и др. Такого рода параметры определяются либо с помощью синоптической карты, либо с помощью аэрологической диаграммы, по которой можно определить возможное развитие облака, начиная от уровня конденсации. В данной работе параметры облака рассчитываются с помощью численной модели, используя в качестве начальных и граничных условий данные радиолокационного зондирования атмосферы (вертикальные распре-деления температуры и влажности).
✅ Заключение
Все поставленные цели были достигнуты.
Был осуществлен выбор наиболее подходящей для нашей задачи численной модели облака. Проведена её валидация и подбор параметров ’’настройки” путем сопоставления основных характеристик облака с соответствующими характеристиками, полученными в результате натурного эксперимента. Расчеты по численной модели была автоматизированы, что позволило осуществлять серии численных экспериментов с различными данными радиозондирования атмосферы, которые использовались в качестве входных параметров. Предложен и обоснован метод модификации исходных данных радиозондирования путем использования формулы Ипполитова для определения уровня конденсации и сухоадиабатического градиента температуры в подоблачном слое. Такая модификация может рассматриваться в качестве универсального способа препроцессинга входных данных для всех видов численных моделей облаков. Она позволяет моделировать развитие облака даже в случае наличия в подоблачном слое слоев температурной инверсии и изотермии (задерживающих слоев).
Была получена обучающая выборка данных радиозондирования атмосферы с помощью комплексной информационной системы, которая позволила в автоматическом режиме отобрать 615 вертикальных профилей температуры и влажности, 326 из которых наблюдались при опасных конвективных явлениях, а 289 - в отсутствии таких явлений.
Реализован прогноз опасного конвективного явления по результатам работы численной модели. При этом удалось достигнуть точности предсказания свыше 95 %.
Был осуществлен выбор наиболее подходящей для нашей задачи численной модели облака. Проведена её валидация и подбор параметров ’’настройки” путем сопоставления основных характеристик облака с соответствующими характеристиками, полученными в результате натурного эксперимента. Расчеты по численной модели была автоматизированы, что позволило осуществлять серии численных экспериментов с различными данными радиозондирования атмосферы, которые использовались в качестве входных параметров. Предложен и обоснован метод модификации исходных данных радиозондирования путем использования формулы Ипполитова для определения уровня конденсации и сухоадиабатического градиента температуры в подоблачном слое. Такая модификация может рассматриваться в качестве универсального способа препроцессинга входных данных для всех видов численных моделей облаков. Она позволяет моделировать развитие облака даже в случае наличия в подоблачном слое слоев температурной инверсии и изотермии (задерживающих слоев).
Была получена обучающая выборка данных радиозондирования атмосферы с помощью комплексной информационной системы, которая позволила в автоматическом режиме отобрать 615 вертикальных профилей температуры и влажности, 326 из которых наблюдались при опасных конвективных явлениях, а 289 - в отсутствии таких явлений.
Реализован прогноз опасного конвективного явления по результатам работы численной модели. При этом удалось достигнуть точности предсказания свыше 95 %.
ИЛИ
Поиск аналога
📕 Список литературы
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.