Том 29, номер 04, статья № 13

Аннотация:

С целью восстановления данных наблюдений гидрофизических параметров предложена модель на основе нейронной сети с учителем. В качестве входных сигналов модели взяты индексы глобальных климатических колебаний в системе океан – атмосфера. Описан процесс обучения и адаптации модели, позволяющий найти наиболее точное решение задачи моделирования. Сопоставление среднемесячных значений объема стока Дуная, воспроизведенных с помощью модели, с данными наблюдений показало их хорошее согласие. Восстановлены пропущенные в различные годы данные наблюдений по прозрачности (глубине видимости белого диска). Отмечена близость абсолютных величин восстановленных и измеренных значений глубины видимости белого диска. Выявлены некоторые особенности межгодовых изменений восстановленных значений прозрачности, обусловленные климатическими факторами в период 1950–1962 гг. и влиянием изменений содержания хлорофилла а в период 1998–2010 гг.

Ключевые слова:

прозрачность, нейронные сети, речной сток, гидрометеорологические условия, Черное море

Список литературы:

1. Кукушкин А.С. Многолетняя и сезонная изменчивость распределения прозрачности в поверхностных водах северо-западной части Черного моря // Оптика атмосф. и океана. 2013. Т. 26, № 2. С. 113–123.
2. Кукушкин А.С., Воскресенская Е.Н., Маслова В.Н. Особенности формирования поля прозрачности в поверхностном слое северо-западной части Черного моря в зимне-весенний период // Оптика атмосф. и океана. 2010. Т. 23, № 8. С. 730–736; Kukushkin A.S., Voskresenskaya E.N., Maslova V.N. The Features of Transparency Field Generation in the Upper Sea Layer of the Northwestern Black Sea in the Winter-Spring Period // Atmos. Ocean. Opt. 2011. V. 24, N 1. P. 95–101.
3. Кукушкин А.С. Влияние распределений гидрологических и гидробиологических параметров на структуру поля прозрачности в верхнем слое пелагиали Черного моря // Метеорол. и гидрол. 2013. № 7. С. 74–86.
4. Осовский С. Нейронные сети для обработки информации. М.: Финансы и статистика, 2002. 344 с.
5. Ефимов В.В., Посошков В.Л. Применение метода искусственных нейронных сетей для регионализации прогноза осадков в Причерноморском регионе // Морской гидрофиз. ж. 2006. № 3. С. 23–35.
6. Посошков В.Л. Использование искусственных нейронных сетей для статистического оценивания ряда среднесуточных осадков // Системы контроля окружающей среды. Севастополь: МГИ НАН Украины, 2002. С. 146–152.
7. Посошков В.Л., Прусов А.В. Применение метода самоорганизующихся отображений признаков к анализу экстремальных осадков // Системы контроля окружающей среды. Севастополь: МГИ НАН Украины, 2003. С. 118–123.
8. Ефимов В.В., Шокуров М.В. Использование искусственной нейронной сети для статистического оценивания температуры поверхности Черного моря // Труды Междунар. конф., посвященной 75-летию академика Г.И. Марчука и 20-летию Института вычислительной математики. М.: ИВМ РАН, 2000. Т. 2. С. 267–274.
9. Полонский А.Б., Воскресенская Е.Н., Посошков В.Л. Статистический прогноз среднемесячного стока черноморских рек на основе циркуляционных атмосферных процессов // Доповіді НАН України. 2010. № 11, С. 95–101.
10. Лубков А.С., Воскресенская Е.Н., Кукушкин А.С. Восстановление значений прозрачности морской воды на основе моделирования методом нейронных сетей // ХX Междунар. симп. «Оптика атмосферы и океана. Физика атмосферы». Сборник трудов [Электронный ресурс]. Томск: ИОА СО РАН, 2014. С. 238–241.
11. Northern Hemisphere Teleconnection Patterns // Climate Prediction Center. URL: http://www.cpc.ncep. noaa.gov/data/teledoc/telecontents.shtml (дата обращения 10.12.2014).
12. Pacific Decadal Oscillation (PDO) / Joint Institute for the Study of the Atmosphere and Ocean (JISAO). URL: http://jisao.washington.edu/pdo/PDO.latest (дата обращения 10.12.2014).
13. Southern Oscillation Index. Archives / Australia's official weather forecasts & weather radar Bureau of Meteorology. URL: http://www.bom.gov.au/climate/current/ soihtm1.shtml (дата обращения 10.12.2014).
14. Haykin S. Neural networks, a comprehensive foundation. N.Y.: Macmillan College Publishing Company, 1994. 823 p.
15. Rosenblatt F. Principles of neurodynamics: Perceptrons and the theory of brain mechanisms. N.Y.: Spartan, 1962. 626 p.
16. Монин А.С. Гидродинамика атмосферы, океана и земных недр. СПб.: Гидрометеоиздат, 1999. 524 с.
17. Muleta M.K. Model performance sensitivity to objective function during automated calibrations // J. Hydrologic Engin. 2012. V. 17, N 6. С. 756–767.
18. Колмогоров А.Н. О представлении непрерывных функций нескольких переменных в виде суперпозиций непрерывных функций одного переменного и сложения // Докл. АН СССР. 1957. Т. 114, № 5. С. 953–956.
19. Hecht-Nielsen R. Neurocomputing. Amsterdam: Addison Wesley, 1991. 433 с.