THEORY2

User Tools

Site Tools

Trace: • zoom • sidebar • new-user • sidebar • start • welcome • program • next
dlcp2025:program

Differences

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

Link to this comparison view

Both sides previous revisionPrevious revision
Next revision		Previous revision
dlcp2025:program [23/06/2025 19:13] – [86. Probabilistic Spiking Neural Network with Correlation-based Memristive Synaptic Updates] admindlcp2025:program [31/08/2025 07:29] (current) – [42. Возможность применения метода нормализующих потоков для извлечения редких гамма событий в эксперименте TAIGA] admin
Line 1: Line 1:
 {{ :dlcp2025:dlcp25-logo.png?200|}} {{ :dlcp2025:dlcp25-logo.png?200|}}
  
-====== Program (DFAFT) ======+====== Program ======
 //17.06.2025// //17.06.2025//
  
 **The list of accepted reports.** **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]]// //If someone did not find themselves in the list, please inform us by email [[dlcp@sinp.msu.ru]]//
Line 97: Line 97:
 ==== 81. Проблема аугментация данных атмосферных черенковских телескопов в стерео режиме на примере установки TAIGA-IACT ==== ==== 81. Проблема аугментация данных атмосферных черенковских телескопов в стерео режиме на примере установки TAIGA-IACT ====
  
-//**Д.Журов**(1,3), А.Крюков(1), Ю.Дубенская(1), E. Gres(1,3); С.Поляков(3), ЕюПостников(1), А.Разумов(1), П.Волчугов(1), А.Демичев(1) \\ +//**Д.Журов**(1,3), А.Крюков(1), Ю.Дубенская(1), E. Gres(1,3), С.Поляков(3), Е.Постников(1), А.Разумов(1), П.Волчугов(1), А.Демичев(1) \\ 
 (1) SINP MSU, (2) IIAP NAS RA, (3) IPA IGU // (1) SINP MSU, (2) IIAP NAS RA, (3) IPA IGU //
  
Line 109: Line 109:
 ==== 42. Возможность применения метода нормализующих потоков для извлечения редких гамма событий в эксперименте TAIGA ==== ==== 42. Возможность применения метода нормализующих потоков для извлечения редких гамма событий в эксперименте TAIGA ====
  
-//**А.Крюков**(1), А.Разумов(1), Д.Журов(1,3), Ю.Дубенская(1), E. Gres(1,3); С.Поляков(3), Е.Постников(1), П.Волчугов(1), А.Демичев(1) \\ +//**А.Крюков**(1), А.Разумов(1), Д.Журов(1,3), Ю.Дубенская(1), E. Gres(1,3), С.Поляков(3), Е.Постников(1), П.Волчугов(1), А.Демичев(1) \\ 
 (1) SINP MSU, (2) IIAP NAS RA, (3) IPA IGU // (1) SINP MSU, (2) IIAP NAS RA, (3) IPA IGU //
  
Line 210: Line 210:
 ==== 92. Intercomparison of machine learning approaches for identifying hail from basic weather parameters ==== ==== 92. Intercomparison of machine learning approaches for identifying hail from basic weather parameters ====
  
-//**Blinov P.D.** (1), Chernokulsky A.V. (2), Krinitsky M.A. (3, 4), Bugrimov S.A. (5) \\ (1) National Research University - Higher School of Economics, Moscow, Russia, (2) A.M. Obukhov Institute of Atmospheric Physics RAS, Moscow, Russia, (3) P.P. Shirshov Institute of Oceanology RAS, Moscow, Russia (4) Moscow Institute of Physics and Technology, Russia (5) Lomonosov Moscow State University, Moscow, Russia//+//**Blinov P.D.** (1), Chernokulsky A.V. (2), Krinitsky M.A. (3, 4), Bugrimov A.V. (5) \\ (1) National Research University - Higher School of Economics, Moscow, Russia, (2) A.M. Obukhov Institute of Atmospheric Physics RAS, Moscow, Russia, (3) P.P. Shirshov Institute of Oceanology RAS, Moscow, Russia (4) Moscow Institute of Physics and Technology, Russia (5) Lomonosov Moscow State University, Moscow, Russia//
  
 This work presents an integrated approach to hail diagnosis using ERA5 reanalysis data and Russian ground observations. We investigate the efficacy of three distinct methodologies: a Convolutional Neural Network (CNN), a Gradient Boosting on Trees (CatBoost) model, and a traditional threshold approach based on the composite WMAXSHEAR index. Interpretability analysis was conducted using SHAP (SHapley Additive Explanations) and reparameterization techniques. A comparative study of the models' performance was carried out. The practical applicability of the proposed methods is further illustrated through a real-case example.  This work presents an integrated approach to hail diagnosis using ERA5 reanalysis data and Russian ground observations. We investigate the efficacy of three distinct methodologies: a Convolutional Neural Network (CNN), a Gradient Boosting on Trees (CatBoost) model, and a traditional threshold approach based on the composite WMAXSHEAR index. Interpretability analysis was conducted using SHAP (SHapley Additive Explanations) and reparameterization techniques. A comparative study of the models' performance was carried out. The practical applicability of the proposed methods is further illustrated through a real-case example. 
Line 224: Line 224:
 [3] World Data Center for Geomagnetism, Kyoto [[https://wdc.kugi.kyoto-u.ac.jp/]] \\  [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 ]] [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».
 +
 ---- ----
  
-15+16
 ===== Section 3. Machine Learning in Natural Sciences ===== ===== Section 3. Machine Learning in Natural Sciences =====
  
dlcp2025/program.1750705989.txt.gz · Last modified: by admin