Жукова Жанна Сергеевна – ст. преподаватель Ордена Трудового Красного Знамени ФГБОУ ВО «Московский технический университет связи и информатики», г. Москва, Россия, тел.: +7977 9295621, e-mail: assamblee@mail.ru
Ерофеева Виктория Вячеславовна – канд. биол. наук, доцент Ордена Трудового Красного Знамени ФГБОУ ВО «Московский технический университет связи и информатики», ФГАОУ ВО «Российский университет дружбы народов им. Патриса Лумумбы», г. Москва, Россия, тел.: +7915 0779059, e-mail: erofeeva-viktori@mail.ru
Тимофеев-Каракозов Артём Алексеевич – студент Ордена Трудового Красного Знамени ФГБОУ ВО «Московский технический университет связи и информатики», г. Москва, Россия, тел.: +7967 7460126, e-mail: kastonex@icloud.com
Яблочников Сергей Леонтьевич – д-р пед. наук, профессор, зав. кафедрой «Экологии, безопасности жизнедеятельности и электропитания» Ордена Трудового Красного Знамени ФГБОУ ВО «Московский технический университет связи и информатики», г. Москва, Россия, тел.: +7916 3443975, e-mail: vvkfek@mail.ru
ИСПОЛЬЗОВАНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ МОДЕЛИРОВАНИЯ КЛИМАТИЧЕСКИХ ИЗМЕНЕНИЙ
Представлена модель полносвязной нейронной сети, разработанная для прогнозирования температурных изменений. Сеть обучена на данных метеорологических станций Антарктиды. На основе предварительных исследований было принято решение разделить станции по признаку средних годовых температур на «тёплые» и «холодные», поскольку динамика температурных трендов и годовых колебаний для разных регионов континента имеет явные различия. В ходе предварительной работы по обучению нейронной сети она показала хорошие результаты по нескольким станциям. Поэтому было принято решение применить её к рассортированным по средним температурам станциям. Тестирование сети показало лучшие результаты на станциях с более мягкими климатическими условиями. Это можно объяснить более длинными рядами наблюдений, что может оказывать значительное влияние на качество прогнозов.
Түйүндүү сөздөр орус тилинде:магнитное поле; погодные условия; нейронные сети; климат; машинное обучение; PyTorch
КЛИМАТТЫН ӨЗГӨРҮШҮН МОДЕЛДӨӨ ҮЧҮН НЕЙРОН ТАРМАКТАРЫН КОЛДОНУУ
Макалада т емпературанын өзгөрүшүн болжолдоо үчүн иштелип чыккан толук байланышкан нейрон тармагынын модели келтирилген. Тармак Антарктидадагы метеорологиялык станциялардын маалыматтары боюнча үйрөтүлгөн. Алдын ала изилдөөлөрдүн негизинде станцияларды жылдык орточо температуранын негизинде «жылуу» жана «муздак» деп бөлүү чечими кабыл алынган, анткени континенттин ар кайсы аймактары үчүн температура динамикасы жана жылдык өзгөрүүлөр так айырмачылыктарга ээ. Нейрон тармагын окутуу боюнча алдын ала иштердин жүрүшүндө ал бир нече станциялар үчүн жакшы натыйжаларды көрсөттү. Ошондуктан аны орточо температура боюнча сорттолгон станцияларга колдонуу чечими кабыл алынды. Тармактык тестирлөө климаттык шарттары жумшак станцияларда жакшы натыйжаларды көрсөттү. Муну болжолдоолордун сапатына олуттуу таасирин тийгизе турган узак байкоолордун сериялары менен түшүндүрүүгө болот.
Түйүндүү сөздөр кыргыз тилинде:магнит талаасы; аба ырайы; нейрон тармактары; климат; машина үйрөнүү; PyTorch
USE OF NEURAL NETWORKS FOR MODELING CLIMATE CHANGE
The paper presents a model of a fully-connected neural network developed for predicting temperature changes. The network was trained on the data of meteorological stations of Antarctica. On the basis of preliminary studies, it was decided to divide the stations on the basis of mean annual temperatures into “warm” and “cold” stations, since the dynamics of temperature trends and annual fluctuations for different regions of the continent has obvious differences. During preliminary work on training of the neural network, it showed good results for several stations. Therefore, it was decided to apply it to the stations sorted by mean temperatures. Testing of the network showed better results on stations with milder climatic conditions. This can be explained by longer observation series, which can have a significant impact on the quality of forecasts.
Түйүндүү сөздөр англис тилинде:magnetic field; weather conditions; neural networks; climate; machine learning; PyTorch