Тип работы:
Предмет:
Язык работы:


Использование методов машинного обучения для прогнозирования опасных конвективных явлений с помощью численной модели конвективного облака

Работа №58774

Тип работы

Бакалаврская работа

Предмет

информатика

Объем работы31
Год сдачи2016
Стоимость4365 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
222
Не подходит работа?

Узнай цену на написание


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

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).


Возникли сложности?

Нужна помощь преподавателя?

Помощь студентам в написании работ!


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 %.



[1] Руководство по прогнозированию метеорологических условий для авиации Под редакцией К.Г. Абрамович, А.А. Васильева. Авторы: Абрамович К.Г., Васильев А.А., Булдовский Г.С., Борисова В.В., Глазунов В.Г., Горлах И.А., Лешкевич Т.В., Ляхов А.А., Рацимор М.Я., Решетов Г.Д., Рубинштейн М.В., Шакина Н.П.. Госкомгидромет, Москва, 1985, 308 стр.
[2] Tao W.-K. Consistent 2D and 3D Cloud Resolving Model Simulations// 13th ARM Sci. Team Meeting Proceedings. - 2003. - P 1-8
[3] Морозов В.Н., Веремей Н.Е., Довгалюк Ю.А. Моделирование процессов электризации в трехмерной численной модели осадкообразующего конвективного облака // Труды Главной геофизической обсерватории им. А.И.Воейкова. - СПб., 2009. - Вып. 559. - С. 134-160.-ISSN 0376-1274
[4] ShiinoJ. A Numerical Study of Precipitation Development in Cumulus Clouds// Papers in Meteorology and Geophysics. - 1978. - Vol. 29, N.
4. -P 157-194.
[5] Довгалюк Ю.А. Анализ результатов работ по воздействию на облака с целью предотвращения осадков в г. Ленинграде (на примере опыта 7 ноября 1988 г.) // Метеорология и гидрология. - М., 1998. - No2 - С. 44-53. - ISSN 0130-2906.
[6] N. Raba, E. Stankova and N. Ampilova One-and- a-half-dimensional Model of Cumulus Cloud with Two Cylinders. Research of Influence of Compensating Descending Flow on Development of Cloud.// Proceedings of the 5th International Conference “Dynamical Systems and Applications” Ovidius University Annals Series: Civil Engineering Volume 1, Special Issue 11, June 2009, pp.93-101
[7] 7. Raba N.O., Stankova E.N., Ampilova N. On Investigation of Parallelization Effectiveness with the Help of Multi-core Processors// Procedia Computer Science. 2010. Vol. 1, Issue 1. P. 2757-2762
[8] 9. N. Raba, E. Stankova On the Problem of Numerical Modeling of Dangerous Convective Phenomena: Possibilities of Real-Time Forecast with the Help of Multi-core Processors// Murgante et al. (Eds.): ICCSA 2011, LNCS 6786, pp. 633 - 642, 2011. ISSN 0302-9743
[9] Dye, J.E., Jones, J.J., Winn, W.P, Cerni, T.A., Gardiner, B., Lamb, D., Pitter, R.L., Hallett, J., Saunders, C.PR. Early Electrification and Precipitation Development in a Small, Isolated Montana Cumulonimbus //J. ofGeophys. Res., 1986. 91,#D1, 1231-1247
[10] Раба Н.О., Станкова Е.Н. Исследование влияния компенсирующего нисходящего потока, сопутствующего конвективным течениям, на жизненный цикл облака с помощью полуторомерной модели с двумя цилиндрами // Труды ГГО. 2009, Вып.559. С. 192-209 (ISSN 0376-1274)
[11] Kovetz A., Olund B The effect of coalescence and condensation on rain formation in a cloud of finite vertical exten// J. Atm. Sci. 1969. V. 26. №9. P. 1060-1065
[12] Dmitry A. Petrov and Elena N. Stankova Use of Consolidation Technology for Meteorological Data Processing// B. Murgante et al. (Eds.): ICCSA 2014, Part I, Lecture Notes in Computer Science 8579, pp. 440-451. Springer International Publishing Switzerland (2014) DOI 10.1007 1/978-3-319-09144-0-30.
[13] Станкова Е.Н., Петров Д.А. Комплексная информационная система, предназначенная для формирования входных данных моделей конвективных облаков // Вестник Санкт-Петербургского универ-ситета. Прикладная математика. Информатика. Процессы управления. Серия 10. 2015 Выпуск 3. Стр. 83-95
[14] Dmitry A. Petrov and Elena N. Stankova Integrated Information System for Verification of the Models of Convective Clouds// O. Gervasi et al. (Eds.): ICCSA 2015, Part IV, LNCS 9158, pp. 321-330, 2015. DOI: 10.1007/978-3-319-21410-8-25
[15] Матвеев Л. Курс общей метеорологии. Физика атмосферы Издание второе, переработанное и дополненное. Л.: Гидрометеоиздат, 1984. 751 с.
[16] Scikit-learn. Machine Learning in Python. http://scikit-learn.org/
[17] I.Guyon, J.Weston, S.Barnhill, V.Vapnik Gene selection for cancer classification using support vector machines // Machine Learning, vol. 46, nos. 1-3, (2002), pp. 389-422
[18] T. Hastie, R. Tibshirani, J. Friedman The elements of Statistical Learning Second edition, Springer, 2009
[19] Arthur E. Hoerl and Robert W. Kennard Ridge Regression: Biased Estimation for Nonorthogonal Problems// echnometrics, Vol. 12, No.
1 (Feb., 1970), pp. 55-67


Работу высылаем на протяжении 30 минут после оплаты.



Подобные работы


©2024 Cервис помощи студентам в выполнении работ