Издательство СО РАН

Издательство СО РАН

Адрес Издательства СО РАН: Россия, 630090, а/я 187
Новосибирск, Морской пр., 2

soran2.gif

Baner_Nauka_Sibiri.jpg


Яндекс.Метрика

Array
(
    [SESS_AUTH] => Array
        (
            [POLICY] => Array
                (
                    [SESSION_TIMEOUT] => 24
                    [SESSION_IP_MASK] => 0.0.0.0
                    [MAX_STORE_NUM] => 10
                    [STORE_IP_MASK] => 0.0.0.0
                    [STORE_TIMEOUT] => 525600
                    [CHECKWORD_TIMEOUT] => 525600
                    [PASSWORD_LENGTH] => 6
                    [PASSWORD_UPPERCASE] => N
                    [PASSWORD_LOWERCASE] => N
                    [PASSWORD_DIGITS] => N
                    [PASSWORD_PUNCTUATION] => N
                    [LOGIN_ATTEMPTS] => 0
                    [PASSWORD_REQUIREMENTS] => Пароль должен быть не менее 6 символов длиной.
                )

        )

    [SESS_IP] => 3.129.13.201
    [SESS_TIME] => 1714054232
    [BX_SESSION_SIGN] => 9b3eeb12a31176bf2731c6c072271eb6
    [fixed_session_id] => fc9b5c9107aad24300ce0a4061f4670f
    [UNIQUE_KEY] => 5b13878b81ab6591d2d984e869c667ad
    [BX_LOGIN_NEED_CAPTCHA_LOGIN] => Array
        (
            [LOGIN] => 
            [POLICY_ATTEMPTS] => 0
        )

)

Поиск по журналу

Оптика атмосферы и океана

2013 год, номер 12

Сравнение различных методов статистического прогнозирования суточной динамики приземной концентрации озона

П. Н. АНТОХИН, Б. Д. БЕЛАН, Д. Е. САВКИН, Г. Н. ТОЛМАЧЕВ
Институт оптики атмосферы им. В.Е. Зуева СО РАН, 634021, г. Томск, пл. Академика Зуева, 1
apn@iao.ru
Ключевые слова: атмосфера, озон, моделирование, прогноз
Страницы: 1082-1089
Подраздел: АТМОСФЕРНАЯ РАДИАЦИЯ, ОПТИЧЕСКАЯ ПОГОДА И КЛИМАТ

Аннотация

С использованием длинных рядов наблюдений, полученных на TOR-станции в Томском академгородке, разработана эмпирическая модель прогноза среднесуточной концентрации озона на основе многослойной нейронной сети. Проведено сравнение с моделями, основанными на множественной линейной регрессии и авторегрессии. Из всех методов нейросетевой подход оказался наиболее удачным. Он позволяет описать до 70% общей дисперсии среднего значения и до 50% дисперсии среднеквадратического отклонения. При этом величина среднеквадратической ошибки прогноза не превышает инструментальной погрешности измерений.