Differences

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

--- dlcp2025:program [24/06/2025 19:21] – [55. Enhancing the Quality of Kp Index Machine Learning Forecasting Using Higher-Frequency Data and Feature Transformations] 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 225: / Line 225: @@
 [4] National Oceanic and Atmospheric Administration, ACE Real Time Solar Wind, [[https://www.swpc.noaa.gov/products/ace-real-time-solar-wind ]]
-==== Машинное обучение для статистической детализации характеристик пространственного распределения осадков в Московском регионе ====
+==== 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
+(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.