Метод нейронных сетей для климатического прогнозирования водности Чернореченского водохранилища

от

А.С. Лубков, Е.Н. Воскресенская

 Институт  природно-технических систем, РФ, г. Севастополь, ул. Ленина, 28

E-mail: andrey-ls2015@yandex.ru

DOI: 10.33075/2220-5861-2021-2-16-28

УДК 551.509.54, 556.5, 551.513.3

Реферат:

   В настоящей работе предложен новый метод прогнозирования сумм месячных осадков на станции Ай-Петри, в основе которого положена усовершенствованная модель с использованием искусственных нейронных сетей. В качестве входных параметров модели используется набор глобальных океанических и метеорологических индексов за 1950–2020 гг., рассчитанных с применением реанализов NCEP/NCAR и HadISST. Особенностью предложенной модели является разложение прогнозируемого ряда на два ортогональных сигнала, их отдельное моделирование и последующее сложение рассчитанных модельных значений. Сумма модельных расчетов 2 ортогональных сигналов подвергалась проверке. Проверка модели проводилась за 14-летний период 2007–2020 гг. Показана возможность прогноза среднемесячных сумм осадков с заблаговременностью до 6 месяцев. В работе получено, что модель способна прогнозировать осадки в зимний период и июнь – октябрь. В эти месяцы в среднем выпадает 70% годовой нормы осадков. Прогноз осадков на зимний сезон возможно получить в ноябре, и с более высоким качеством прогноза – в декабре. Среднее абсолютное отклонение на контрольной выборке составило 28% и 23% соответственно. При этом прогноз осадков на зимний сезон представляет наибольшую важность, поскольку в этот период года выпадает максимум осадков в горах, а следовательно и формируется основной объем водности Чернореченского водохранилища. Прогноз осадков на летний период и начало осени возможно составлять в апреле (среднее абсолютное отклонение равно 22%). Кроме этого, в работе проверена и подтверждена возможность климатического прогноза атмосферного давления. Полученные результаты могут быть полезны для заблаговременной оценки степени наполняемости Чернореченского водохранилища.

Ключевые слова: нейронные сети, моделирование, прогноз, осадки, давление, Ай-Петри, Чернореченское водохранилище, система океан–атмосфера.

Для цитирования: Лубков А.С., Воскресенская Е.Н. Метод нейронных сетей для климатического прогнозирования водности Чернореченского водохранилища // Системы контроля окружающей среды. 2021. Вып. 2 (44). C. 16–28.

Полный текст в формате PDF

СПИСОК ЛИТЕРАТУРЫ

  1. Справочник водохранилищ СССР. Часть I. Водохранилища объемом 10 млн м3 и более. М.: Союзводпроект, 1988. 322 с.
  2. Трансформация стока воды и осадконакопление Чернореченского водохранилища / М.Г. Гречушникова, А.Г. Косицкий, Д.Н. Айбулатов [и др.] // Вестник Московского университета. Серия 5. География. 2020. № 5 (1). С. 97– 104.
  3. Xu H. Modification of Normalised Difference Water Index (NDWI) to Enhance Open Water Features in Remotely Sensed Imagery // International Journal of Remote Sensing. 2006. Vol. 27 (14). P. 3025–3033. doi: 10.1080/01431160600589179
  4. Прусов А.В., Миньковская Р.Я., Овчаренко И.А. Резерв пресноводных ресурсов Севастопольского региона // Экологическая безопасность прибрежной и шельфовой зон и комплексное использование ресурсов шельфа. 2009. № 19. С. 143–153.
  5. Водный баланс Севастопольского региона, водные ресурсы и их увеличение при строительстве водохранилища в балке Тёмной / В.А. Иванов, А.В. Прусов, А.Н. Демидов [и др.] // Экологическая безопасность прибрежной и шельфовой зон и комплексное использование ресурсов шельфа. 2008. № 17. С. 48–59.
  6. Lubkov A.S., Voskresenskaya E.N., Marchukova O.V. Forecasting El Niño/La Niña and Their Types Using Neural Networks // Russ. Meteorol. Hydrol. 2020. Vol. 45. P. 806–813. doi: 10.3103/S1068373920110084
  7. Lubkov A.S., Voskresenskaya E.N., Marchukova O.V. Application of a neural network model to forecasting of El Niño and La Niña // IOP Conf. Ser.: Earth Environ. Sci. 2019. Vol. 386. P. 012040. doi: 10.1088/1755-1315/386/1/012040
  8. Intense Cyclones in the Black Sea Region: Change, Variability, Predictability and Manifestations in the Storm Activity / V.N. Maslova, E.N. Voskresenskaya, A.S. Lubkov [et al.] // Sustainability. 2020. Vol. 12 (11). P. 4468. doi: 10.3390/su12114468
  9. Lubkov A.S., Voskresenskaya E.N., Kukushkin A.S. Method for reconstructing the monthly mean water transparencies for the northwestern part of the Black Sea as an example // Atmos Ocean Opt. 2016. Vol. 29. P. 457–464. doi: 10.1134/S102485601 6050092
  10. Enfield D., Mestas-Nunez A.M. Multiscale variability in global SST and their relationships with tropospheric climate patterns // J. Climate. 1999. Vol. 12 (9).
    P. 2719–2733. doi: 10.1175/1520-0442(1999)012<2719:MVIGSS>2.0.CO;2
  11. Schlesinger M.E., Ramankutty N. An oscillation in the global climate system of period 65–70 years // Nature. 1994. Vol. 367 (6465). P. 723–726. doi: 10.1038/367723a0
  12. Knight J.R., Folland C.K., Scaife A.A. Climate impacts of the Atlantic Multidecadal Oscillation // Geophys. Res. Lett. 2006. Vol. 33. P. 17706. doi:10.1029/2006GL026242
  13. Zhang Y., Wallace J.M., Battisti D.S. ENSO-like interdecadal variability: 1900–93 // Journal of Climate. 1997. Vol. 10. P. 1004–1020. doi: 10.1175/15200442(1997)010<1004:ELIV>2.0.CO;2
  14. A Pacific interdecadal climate oscillation with impacts on salmon production. / N.J. Mantua, S.R. Hare, Y. Zhang [et al.] // BAMS. 1997. Vol. 78. P. 1069–1079. doi: 10.1175/1520-0477(1997)078<1069:A PICOW>2.0.CO;2
  15. Trenberth K.E., Caron J.M. The Southern Oscillation Revisited: Sea Level Pressures, Surface Temperatures, and Precipitation // J. Climate. 2000. Vol. 13. P. 4358–4365. doi: 10.1175/1520-0442(2000)013<4358:TSORSL>2.0.CO;2
  16. Barnston G., Livezey R.E. Classification, Seasonality and Persistence of LowFrequency Atmospheric Circulation Patterns // Monthly Weather Review. 1987.
    Vol. 115 (6). P. 1083–1126. doi: 10.1175/1520-0493(1987)115<1083:CSAPOL>2.0.CO;2
  17. Wallace J.M., Gutzler D.S. Teleconnections in the geopotential height field during the Northern Hemisphere winter // Mon. Wea. Rev. 1981. Vol. 109. P. 784– 812. doi: 10.1175/1520-0493(1981)109<0784:TITGHF>2.0.CO;2
  18. Осовский С. Нейронные сети для обработки информации. М.: Финансы и статистика, 2002. 344 с.
  19. Haykin S. Neural networks, a comprehensive foundation, 1994. N.Y.: Macmillan College Publishing Company. 823 p.
  20. Upper-Level Mediterranean Oscillation index and seasonal variability of rainfall and temperature / D. Redolat, R. Monjo, J.A. Lopez-Bustins [et al.] // Theor. Appl. Clim. 2019. Vol. 135. P. 1059–1077. doi: 10.1007/s00704-018-2424-6
  21. Martin-Vide J., Lopez-Bustins J.A. The Western Mediterranean Oscillation and rainfall in the Iberian Peninsula // International Journal of Climatology. 2006. Vol. 26 (11). P. 1455–1475. doi: 10.1002/joc.1388
  22. On the spatiotemporal diversity of Atlantic Nino and associated rainfall variability over West Africa and South America / I. Vallès-Casanova, S.-K. Lee, G.R. Foltz [at al.] // Geophysical Research Letters. 2020. Vol. 47 (8). P. e2020GL087108. doi: 10.1029/2020GL087108
  23. A dipole mode in the tropical Indian Ocean / N. Saji, B. Goswami, P. Vinayachandran [et al.] // Nature. 1999. Vol. 401.
    P. 360–363. doi: 10.1038/43854
  24. McPhaden M.J., Zebiak S.E. Glantz M.H. ENSO as an integrating concept in Earth science // Science. 2006. Vol. 314 (5806). P. 1740–1745. doi: 10.1126/science.1132588
  25. El Nino Modoki and its possible teleconnection / K. Ashok, S. K. Behera, S. A. Rao [et al.] // J. Geophys. Res. 2007. Vol. 112. P. C11007. doi: 10.1029/2006JC0 03798
  26. Polonsky A.B., Basharin D.V. How strong is the impact of the Indo-Ocean Dipole on the surface air temperature/sea level pressure anomalies in the Mediterranean region? // Global and Planetary Change. 2017. Vol. 151. P. 101–107. doi: 10.1016/j.gloplacha.2016.11.007

Loading