ОЦЕНКА КАЧЕСТВА ПРОГНОСТИЧЕСКИХ МОДЕЛЕЙ Текст научной статьи по специальности «Науки о Земле и смежные экологические науки»

3. Курош А.Г. Курс высшей алгебры. - Москва: Физматлит, 2019.

4. Смит Д. История математики. - Москва: Мир, 2022.

© Нургельдиев С., Аманмухаммедов Р., Джумагелдиев Н., 2024

УДК 551.5

Пигарев А.Е.

канд. геогр. наук, доцент ВУНЦ ВВС «ВВА», г. Воронеж, РФ Драбо А.И. канд. техн. наук, доцент ВУНЦ ВВС «ВВА», г. Воронеж, РФ Животворев А.С. начальник смены - инженер метеогруппы,

г. Сызрань, РФ

ОЦЕНКА КАЧЕСТВА ПРОГНОСТИЧЕСКИХ МОДЕЛЕЙ Аннотация

Результаты оценки прогностических моделей параметров атмосферы с целью их использования специалистами метеорологических служб обеспечивающих полеты авиации.

Ключевые слова

прогностические модели, параметры атмосферы, осадки, критерии успешности

В настоящее время существует множество источников в сети Интернет, которые предоставляют данные различных прогностических моделей, включающие прогноз множества параметров атмосферы, в том числе осадков. Данные в них представляются в наглядной и удобной форме, что позволяет их использовать неспециалистам в своей жизни. Но можно ли использовать эти данные специалистам метеорологических служб обеспечивающих полеты авиации? Какие прогностические модели дают наилучшие результаты при прогнозе осадков? Как влияет географическое положение пункта прогноза на его качество? Можно ли заменить данными их этих источников классические методики прогноза, установленные при метеорологическом обеспечении? В данной работе авторы попытаются ответить на эти вопросы.

В работе использовались данные из программы Windy [1]. Это популярная программа, предоставляющая множество прогностических и фактических данных о погоде. Для сбора информации использовалась вкладка Compare with forecast. Данные представлены в графическом виде, как показано на рис. 1, где сверху в строке явлений указываются фактические данные, а под ней - прогностические. Заблаговременность прогноза составляет 24 часа. В работе рассматривался лишь факт наличия (отсутствия) осадков, не учитывалась их интенсивность, фазовое состояние и другие характеристики. Это позволило рассматривать прогноз осадков как альтернативный.

Рисунок 1 - Пример исходных данных

Данные для анализа были взяты для метеостанций, расположенных в пунктах Архангельск, Брянск, Воронеж, Магнитогорск, Майкоп, Мурманск, Самара, Тамбов, Череповец в период с 19.04.2024 по 25.05.2024. Эти метеостанции были выбраны для проверки качества прогноза в зависимости от географических координат (рис. 2).

Рисунок 2 - Карта расположения пунктов В таблице 1 приведены данные об этих метеостанциях.

Таблица 1

Данные метеостанций

Станция Шифр ВМО Координаты, с.ш./в.д. Высота над уровнем моря, м

Архангельск 22550 64°31/40°43 1

Брянск 26898 53°15/32°19 199

Воронеж 34123 51°42/39°13 121

Магнитогорск 28838 53°21/59°05 417

Майкоп 37021 44°37/40°05 215

Мурманск 22113 68°57/33°02 17

Самара 28900 53°15/50°13 138

Тамбов 27947 52°47/41°20 164

Череповец 27113 59°17/38°01 112

Исходные данные были обработаны в MS Excel, после чего была составлена выборка, включающая

293 случая. В выборку вошли данные по осадкам с 19.04.2024 по 25.05.2024, дискретность составила 3 часа.

В работе были рассмотрены три наиболее популярные зарубежные прогностические гидродинамические модели - GFS, ECMWF и ICON [2]. В таблице 2 приведены их краткие характеристики.

Таблица 2

Характеристики рассмотренных моделей

Прогностическая модель Частота Глубина

Краткое описание обновления, ч. прогноза, дни Разрешение, км

Сопряженная модель, состоящая из четырех

GFS (Global forecast system) отдельных моделей (атмосфера, океан, суша,

морской лед), которые работают вместе. GFS 6 16 27

- это спектральная полулагранжевая модель с полунеявной схемой интегрирования по времени.

ECMWF

(European Использует современную циркуляционную

centre for medium-range модель. Начальные условия для расчета готовит схема ассимиляции, использующая 12 15 9

weather данные со спутников.

forecast)

ICON (Integrated COSMO model) Комплексная модель, объединяющая

модели гидродинамики атмосферы и радиации, а также взаимодействие атмосферы с поверхностью земли. 6 5 13

Для оценки успешности указанных моделей были использованы стандартные критерии успешности альтернативных прогнозов погоды, такие как общая оправдываемость Уобщ, оправдываемость на наличие явления Уявл, критерии Багрова Н и Обухова О [3].

В таблицах 3-5 представлены результаты расчета этих критериев по трем моделям для перечисленных выше метеостанций.

Таблица 3

Критерии успешности для модели GFS

Критерий успешности Мурманск Архангельск Череповец Воронеж Майкоп Брянск Тамбов Самара Магнитогорск

иобщ 0,72 0,80 0,85 0,90 0,83 0,89 0,85 0,89 0,87

иявл 0,50 0,52 0,44 0,64 0,73 0,71 0,50 0,62 0,61

H 0,45 0,48 0,49 0,54 0,44 0,62 0,50 0,54 0,52

Q 0,45 0,32 0,21 0,14 0,18 0,28 0,22 0,16 0,19

Таблица 4

Критерии успешности для модели ECMWF

Критерий успешности Мурманск Архангельск Череповец Воронеж Майкоп Брянск Тамбов Самара Магнитогорск

иобщ 0,66 0,83 0,86 0,92 0,87 0,88 0,86 0,92 0,89

иявл 0,36 0,51 0,47 0,79 0,61 0,67 0,50 0,64 0,57

H 0,32 0,54 0,53 0,64 0,49 0,66 0,52 0,65 0,56

Q 0,32 0,34 0,23 0,18 0,17 0,30 0,23 0,18 0,19

Таблица 5

Критерии успешности для модели ICON

Критерий успешности Мурманск Архангельск Череповец Воронеж Майкоп Брянск Тамбов Самара Магнитогорск

иобщ 0,68 0,82 0,88 0,91 0,85 0,87 0,86 0,94 0,91

иявл 0,41 0,47 0,47 0,52 0,59 0,60 0,48 0,59 0,65

H 0,37 0,49 0,56 0,51 0,43 0,56 0,52 0,67 0,65

Q 0,37 0,31 0,24 0,12 0,15 0,25 0,22 0,17 0,22

Анализируя данные в таблицах 3-5, можно отметить, что:

1) общая оправдываемость изменяется в диапазоне от 0,66 до 0,94 и в среднем равна 0,85;

2) средняя оправдываемость на наличие явления почти вдвое меньше оправдываемости на отсутствие явления - 0,56 и 0,95;

3) критерии Багрова в среднем равен 0,53, Обухова - 0,24;

4) наилучшие результаты были получены по метеостанциям Воронеж и Брянск, самое низкое качество прогноза в пунктах Мурманск и Архангельск.

В таблице 6 приведены осредненные данные оценки для всех моделей.

Таблица 6

Осредненные значения критериев успешности

Критерий успешности GFS ECMWF ICON

иобщ 0,84 0,85 0,86

иявл 0,59 0,57 0,53

Багрова 0,51 0,55 0,53

Обухова 0,24 0,24 0,23

Как видно из этой таблицы, по средним значениям критериев успешности рассмотренные модели дают примерно одинаковые результаты прогнозирования осадков.

Наибольший интерес представляет критерий - оправдываемость «явление». В таблице 7 приведены значения этого критерия.

Таблица 7

Оправдываемость на наличие явления

Прогностичес кая модель Мурманск Архангельск Череповец Воронеж Майкоп Брянск Тамбов Самара Магнитогорск

GFS 0,50 0,52 0,44 0,64 0,73 0,71 0,50 0,62 0,61

ECMWF 0,36 0,51 0,47 0,79 0,61 0,67 0,50 0,64 0,57

ICON 0,41 0,47 0,47 0,52 0,59 0,60 0,48 0,59 0,65

Качество прогноза на явление получилось в среднем достаточно низким и составило 0,56. Лучшие результаты были получены для пунктов Майкоп, Брянск, Воронеж, худшие - Мурманск, Архангельск, Череповец.

В таблице 8 представлен расчет отношения количества явлений, наблюдавшихся фактически к прогнозируемым.

Таблица 8

Отношение количества явлений факт/прогноз

Прогностическая модель Мурманск Архангельск Череповец Воронеж Майкоп Брянск Тамбов Самара Магнитогорск Среднее

GFS 1,83 1,43 1,75 1,00 0,59 1,07 1,44 0,95 0,96 1,22

ECMWF 2,55 1,74 1,75 1,13 0,87 0,88 1,51 1,18 1,21 1,43

ICON 2,28 1,78 1,97 1,54 0,79 1,14 1,63 1,50 1,15 1,53

Среднее 2,22 1,65 1,82 1,22 0,75 1,03 1,53 1,21 1,11 1,39

Таким образом, в среднем прогностические модели занижают количество явлений на 39%. Почти во всех пунктах все модели занизили количество осадков, за исключением пункта Майкоп. Там прогноз завысил количество осадков на 25% в среднем. Наибольшее занижение отмечалось в пункте Мурманск -более чем в два раза.

Ранее были рассмотрены данные, где все расчеты и оценки проводились с дискретностью 3 часа. Далее будут приведен усредненный расчет для суток. То есть, если в прогнозе на сутки ожидались осадки в любой срок и любой продолжительности и фактически наблюдалось хотя бы одно явление, то прогноз считается оправдавшимся. В таблице 9 приведены данные для оправдываемости по явлению.

Таблица 9

Оправдываемость по явлению, усредненная до суток

Прогностическая модель Мурманск Архангельск Череповец Воронеж Майкоп Брянск Тамбов Самара Магнитогорск

GFS 0,65 0,72 0,79 0,87 0,79 0,88 0,76 0,91 0,87

ECMWF 0,61 0,72 0,79 1,00 0,86 0,88 0,81 0,91 0,80

ICON 0,71 0,76 0,74 0,87 0,86 0,88 0,81 0,91 0,87

Качество прогноза на явление получилось в среднем выше, чем при прогнозе на 3 часа и составило 0,82. Лучшие результаты были получены для пунктов Самара, Брянск, Воронеж, худшие - Мурманск, Архангельск, Череповец.

Выводы:

1. Оправдываемость по явлению оказалась в целом достаточно низкой и составила около 0,5. При этом прогноз на отсутствие осадков почти во всех случаях был более 0,9.

2. Прогностические модели в целом занижают количество осадков примерно на треть.

3. В центре ЕТР качество прогноза выше, чем в северных и южных регионах страны, где влияние моря значительно усложняет прогнозирование. Изменение по долготе оказывает меньшее влияние на качество прогноза.

4. Осреднение результатов показало, что все модели имеют приблизительно одинаковое качество прогнозов.

5. Таким образом можно сделать вывод, что данные прогностические модели дают удовлетворительные результаты, если использовать их в качестве общего прогноза, что дает возможность большой автоматизации данного процесса и использование в сфере общей метеорологии.

Использование в качестве специального прогноза, к которому предъявляются большие требования,

когда желательно знать точное время начала и окончания осадков, уже более затруднительно в связи с более низкой оправдываемостью. Использование данных из сети интернет дает удовлетворительный прогноз осадков в течении дня, однако большая детализация прогноза во времени требует дополнительного анализа карт погоды и данных ДМРЛ. Таким образом, использование программ из сети Интернет при метеорологическом обеспечении полетов может дополнить принятые методики прогнозирования, особенно в условиях нехватки времени.

Список использованной литературы:

1. https:/media.windy.app/models-ru (дата обращения 12.08.2024 г.).

2. https:/meteolabs.org/article/что-такое-модели-прогноза-погоды/ (дата обращения 12.08.2024 г.).

3. Ульшин И.И. Методы статистической обработки гидрометеорологической информации. Учебное пособие. - Воронеж: ВУНЦ ВВС «ВВА», 2016. - 187 с.

© Драбо А.И., Пигарев А.Е., Животворев А.С., 2024

УДК 541.64.538, 53.098

Умаров Н.Н.

кандидат физико-математических наук, доцент, заведующий кафедры общей физики и твердых тел ГОУ «Худжанского государственного университета имени академика Б. Гафурова»,

Худжанд, Таджикистан.

ИССЛЕДОВАНИЕ ЭПР-СПЕКТРЫ ПРИРОДНЫХ РАСТИТЕЛЬНЫХ СОЕДИНЕНИЙ

Аннотация

Методом ЭПР - спектроскопии исследовано влияние радиационного фона на количество стабильных радикалов в природных соединениях. Выявлено, что радиационный фон влияет на количество стабильных радикалов находяшихся в структуре растений. Установлено, что с увеличением дозы радиационного фона количество стабильных радикалов листьев полыни горькой уменьшается.

Ключевые слова:

ЭПР-спектры, стабильный радикал, радиационный фон, полыни горькой.

Последние годы метод ЭПР-спектроскопии находят всё более широкое применения как эффективный метод качественного и количественного анализа природных соединений в зависимости от экологических условий места произрастания. В работах [1-5] установлено, что при антропогенном загрязнении окружающей среды в растениях могут происходить изменения на химическом и физиологическом уровнях. Одним из эффективных методов изучения изменений свойства является метод ЭПР-спектроскопии. Основная цель настоящего исследования - влияние различных доз радиации на кинетику образования стабильных радикалов в растениях.

Для проведения экспериментов образцы приготовили в порошокообразном виде по 30 мг и помещали в стандартные молибденовые ампулы с внутренним диаметром около 3.0 мм. ЭПР- спектры приготовленных образцов записывали на радиоспектрометре РЭ-1306 при следующих условиях: