350 rub
Journal Neurocomputers №10 for 2011 г.
Article in number:
Using of the method artifical neural network for the solving inverse problems to the tasks of climatology
Keywords: method artifical neural network tasks of climatology temperature on meteorological linear model
Authors:
E. V. Kadantsev, A. I. Chavro
Abstract:
Reconstruction of small-scale fields of climatic variables (like temperature, precipitation, pressure, etc.) on large-scale values predicted by General Circulation Models (GCMs), is an important link for understanding the effects of global climate change on smaller regional scales. In this paper, we used a neural network based approach to model the relationship between regional and global fields. The paper discusses how the architecture of neural network was built, and the results of its application for solving the inverse task of downscaling average daily values of surface temperature on meteorological stations of Moscow region on the basis of large-scale fields of temperature, predicted using a global short-term forecasting model. Preliminary analysis of results for Moscow region has shown that the nonlinear neural network makes it possible to significantly improve the accuracy of the reconstruction, as compared with the linear model used by us earlier.
Pages: 20-27
References
  1. Гилл Ф., Мюррей У., Райт М. Практическая оптимизация. М.: Мир. 1985.
  2. Дмитриев Е. В. Оценка среднемесячных аномалий регионального поля приземной температуры по осредненным характеристикам глобального поля // Метеорология и гидрология. 2000. № 10. С. 25-36.
  3. Дмитриев Е. В., Чавро А. И. Восстановление детальной структуры регионального геофизического поля в Москве // Наукоемкие технологии. 2003. Т. 4. № 6. С. 41-49.
  4. Каданцев Е. В., Дмитриев Е. В., Чавро А. И. Восстановление мелкомасштабной структуры поля приземной температуры в Альпийском регионе // Информационно-измерительные и управляющие системы. 2010. № 9.
  5. Мкртчян С. О. Нейроны и нейронные сети. (Введение в теорию формальных нейронов). М.: Энергия. 1971.
  6. Обухов А. И. О статистически ортогональных разложениях эмпирических функций // Известия АН СССР. Сер. геофизическая. 1960. № 3. С. 432-439.

  7. Розенблатт Ф. Принципы нейродинамики. Перцептроны и теория механизмов мозга. М.: Мир. 1965.

  8. Суровцев И. С., Клюкин В. И., Пивоварова Р. П. Нейронные сети. Воронеж: ВГУ. 1994.
  9. Чавро А. И., Дмитриев Е. В. Статистическая модель восстановления региональной структуры геофизических полей // Метеорология и гидрология. 2002. № 6. С. 39-49.
  10. Чавро А. И., Дымников В. П. Методы математической статистики в задачах физики атмосферы. Курс лекций. М.: ИВМ РАН. 2000.
  11. Чавро А. И. О возможности восстановления среднемесячных значений поля Н500 по некоторым функционалам этого поля // Метеорология и гидрология. 1998. № 1. С. 46-54.
  12. Поступила7 июля2011 г.