{{:dlcp:dlcp25-logo.png?400|}} ====== Timetable (draft) ====== //19.06.2025// {{ :dlcp2025:dlcp2025-program.pdf |PDF}} файл. //Moscow time (MSK), on site and ZOOM// \\ //# - on-line report (17)// //**Attention! Before the presentation, the speaker must send a presentation in PDF format for posting on the website.**// ===== Section 1. Machine Learning in Fundamental Physics ===== **July 2, 2025. SINP MSU, bld.19, room 2-15** ^^ 11:15-11:45 ^ Welcome coffee | || || | || || | || ^^ 13:30-14:30 ^ LUNCH | || || | || || | || ^^ 16:00-16:30 ^ Coffee Break | || || | || || | || ===== Section 2. Machine Learning for Environmental Sciences ===== **July 3, 2025. ИО РАН ** **9:30-9:45** \\ 11. Вострикова С.А., Московский физико-технический институт. Восстановление приповерхностной влажности атмосферы над океаном с применением методов машинного обучения. ++++ Аннотация| Влажность воздуха в приповерхностном слое атмосферы над океаном является ключевым климатическим параметром, влияющим на процессы переноса влаги и тепла между океаном и атмосферой, а также на динамику атмосферных процессов в целом. Анализ метеорологических данных, собранных в течение XX века, показывает разреженность рядов измерений влажности в пространстве и времени. Международный массив данных о характеристиках океана и атмосферы (ICOADS) указывает на недостаточную плотность измерений в начале XX века по сравнению с более поздними периодами, что создает сложности для адекватного анализа климатических тенденций относительной влажности. Представленные в литературе методы восстановления временных рядов влажности зачастую демонстрируют ограниченную точность, основываясь преимущественно на статистических и эвристических подходах. Наша работа направлена на повышение качества решения этой задачи за счёт применения методов машинного обучения. В настоящей работе решена задача в формулировке аппроксимации моментальных значений относительной влажности по данным сопутствующих измерений атмосферного давления, температуры воздуха, скорости и направления ветра, температуры поверхности океана, а также наблюдений количества и типов облачности на трёх ярусах. Кроме этого, в составе сопутствующих переменных используется код погоды по стандарту ВМО и расчетная высота солнца. В исследовании использованы модели машинного обучения следующих типов: линейная регрессия, случайный лес, градиентный бустинг (CatBoost) и полносвязная искусственная нейронная сеть. Для повышения территориальной и временной специфичности разрабатываемых моделей мы провели исследование для каждой ячейки размером 5 градусов по широте и долготе и каждого сезона по отдельности. На основе полученных результатов были построены карты пространственного распределения ошибок моделей, которые позволили выявить регионы с высокой и низкой точностью аппроксимации влажности. Исследование подтвердило эффективность методов машинного обучения для восстановления климатических рядов, определило наиболее подходящие модели для этой задачи и обозначило перспективные направления для дальнейшей работы. ++++ || 9:30-9:45 | | || ^^ 11:15-11:45 ^ Coffee Break | || || | | || || | | || ^^ 13:45-15:00 ^ LUNCH | || || | | || || | | || ^^ 16:00-16:30 ^ Coffee Break | || || | | || || | | || ===== Section 3. Machine Learning in Natural Sciences ===== **July 4, 2025. SINP MSU, bld.19, room 2-15 ** || 9:30-9:45 | || || | | || || | | || ^^ 11:15-11:45 ^ Coffee Break | || || | | || || | | || ^^ 13:30-14:30 ^ LUNCH | || || | | || || | | || ^^ 16:00-16:30 ^ Coffee Break | || || | | || || | | || ^^ 18:15-18:30 ^ Закрытие конференции | ||