Организация, в которой проходила защита:
Московский физико-технический институт (НИУ)
Год защиты:2021
Аннотация:Приповерхностный ветер является чрезвычайно важным физическим полем при изучении климата. Точное прогнозирование полей приповерхностного ветра с высоким разрешением имеет большое количество применений в различных областях. Методы статистического масштабирования получают мелкомасштабную информацию о распределении физической величины с помощью имеющихся данных в низком разрешении, избегая вычислительно затратного гидродинамического моделирования с высоким разрешением. Методы глубокого обучения являются одним из характерных примеров использования машинного обучения в задачах аппроксимации сложных нелинейных функций. Однако их применение в задачах масштабирования климатических переменных недостаточно изучено. В настоящей работе рассматривается статистическое масштабирование скорости приземного ветра в Северной Атлантике. Для этого применяются метод кубической интерполяции, различные архитектуры сверточных сетей и порождающая состязательная сеть. На основании полученных результатов сравнивается качество этих методов статистического масштабирования, а также выявляются их преимущества и недостатки.