Краткий пересказ от РИА ИИ
- Российские ученые разработали нейросеть для более точного прогнозирования опасных погодных явлений в Арктике.
- Новая система корректирует ошибки глобальных погодных моделей, сохраняя данные о мелких атмосферных вихрях и аномалиях температуры.
- Технология позволила снизить ошибку прогноза температуры более чем в два раза, а неточность определения скорости ветра — примерно на 20%.
МОСКВА, 22 мая - РИА Новости. Российские ученые разработали нейросеть, которая позволяет точнее прогнозировать опасные погодные явления в Арктике, что может повысить безопасность судоходства и авиации, сообщают "Известия".
"В Арктике от качества прогнозов зависит безопасность судоходства, авиационного сообщения, добычи ресурсов и других видов деятельности. При этом в регионе мало метеостанций, а глобальные погодные модели зачастую имеют слишком низкое разрешение или выраженные систематические ошибки", - рассказал "Известиям" старший научный сотрудник Института океанологии имени П.П. Ширшова РАН.
По данным разработчиков, система корректирует ошибки глобальных погодных моделей, сохраняя данные о мелких атмосферных вихрях и аномалиях температуры, влияющих на возникновение штормов. Новая технология позволила снизить ошибку прогноза температуры более чем в два раза, а неточность определения скорости ветра - примерно на 20%.
В "Гисметио" добавили, что Арктика - это "белое пятно" на карте погоды, поскольку геостационарные спутники не видят выше 70-й параллели, а полярные орбитальные аппараты дают лишь фрагменты.
"Поверхность пестрая - лед, вода, острова, горы. Из-за таяния льдов и испарения температура может быть на 6-8 градусов выше нормы, что компенсируется обвалами холода в Европе и России. Большинство моделей при этом переоценивают содержание льда и недооценивают жидкую воду в атмосфере. А характерные явления - полярные мезоциклоны, бора Новой Земли - требуют от модели высокого разрешения", - заявил ведущий метеоролог портала Леонид Старков.
Он добавил, что в настоящее время метеорологи компенсируют недостаток наблюдательных данных с помощью расширения наблюдательной сети и комбинирования источников, авторы новой разработки как раз учат нейросеть согласовывать прогноз сразу с несколькими источниками.
