Differences

This shows you the differences between two versions of the page.

--- dlcp2025:program [23/06/2025 19:13] – [86. Probabilistic Spiking Neural Network with Correlation-based Memristive Synaptic Updates] admin
+++ dlcp2025:program [27/06/2025 20:35] (current) – [Program] admin
@@ Line 1: / Line 1: @@
 {{ :dlcp2025:dlcp25-logo.png?200|}}
-====== Program (DFAFT) ======
+====== Program ======
 //17.06.2025//
 **The list of accepted reports.**
-<color /orange>Please note that the first author should be the presenter.</color>
+<color /orange>The first author is the presenter.</color>
 //If someone did not find themselves in the list, please inform us by email [[dlcp@sinp.msu.ru]]//
@@ Line 224: / Line 224: @@
 [3] World Data Center for Geomagnetism, Kyoto [[https://wdc.kugi.kyoto-u.ac.jp/]] \\
 [4] National Oceanic and Atmospheric Administration, ACE Real Time Solar Wind, [[https://www.swpc.noaa.gov/products/ace-real-time-solar-wind ]]
+==== 96. Машинное обучение для статистической детализации характеристик пространственного распределения осадков в Московском регионе ====
+//**Ярынич Юлия Ивановна**(1,2), Варенцов Михаил Иванович(1,2,3), Криницкий Михаил Алексеевич(4,5,1), Степаненко Виктор Михайлович(1,2) \\
+(1) Московский государственный университет имени М.В. Ломоносова, Научно-исследовательский вычислительный центр, (2) Институт физики атмосферы имени А.М. Обухова РАН, (3) Гидрометеорологический научно-исследовательский центр Российской Федерации, (4) Институт океанологии им. П.П. Ширшова РАН, Нахимовский проспект, (5) Московский физико-технический институ//
+В связи с наблюдаемыми изменениями климата учащающиеся экстремальные осадки оказывают влияние на различные регионы, включая Северную Евразию, и особенно разрушительны в крупных городах. Глобальные климатические изменения обычно оцениваются путем уменьшения масштаба крупномасштабных климатических характеристик, которые лучше разрешаются в климатических моделях, до мелкомасштабных переменных, которые не могут быть явно разрешены на сетке климатической модели. В предыдущих исследованиях изучались подходы машинного обучения для уменьшения масштаба осадков в нескольких регионах, но территория Московской агломерации, крупнейшей в России и Европе, осталась нетронутой, а ежегодный риск наводнений из-за экстремальных осадков в этом регионе остается очень высоким.
+В данной работе методы машинного обучения в статистической детализации используются для получения характеристик пространственного распределения осадков (максимального значения, моментов распределения, квантилей) из полей гидродинамического моделирования с низким разрешением (реанализа ERA5). Для обучения статистических моделей (гребневой регрессии, градиентного бустинга, случайного леса) используются данные за 33 года наблюдений на метеостанциях Московского региона. В качестве признакового описания выступают физически обоснованные крупномасштабные предикторы осадков, рассчитанные с использованием данных реанализа ERA5. В их число входят как простые величины в толще атмосферы (температура, влажность и др.), так и сложные комплексные характеристики (CAPE, лапласиан приземного давления и др.). Наилучший результат по выбранным метрикам качества (RMSE, R2) достигается с использованием модели градиентного бустинга, при следующей конфигурации набора предикторов: осреднённые за сутки, стандартизованные, включая модельный предиктор осадков (среднее значение по площади). В работе показан рейтинг важности признаков крупномасштабных атмосферных предикторов для территории Московской области для различных конфигураций экспериментов и применённых моделей. \\
+Работа выполнена при поддержке Некоммерческого фонда содействия развитию науки и образования «ИНТЕЛЛЕКТ».
 ----
 ===== Section 3. Machine Learning in Natural Sciences =====