Детектирование зон атмосферных явлений над территорией Сибири по данным спутникового зондирования тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Чурсин Владислав Вячеславович

• Чурсин Владислав Вячеславович
• кандидат наук
• 2025

Оглавление диссертации кандидат наук Чурсин Владислав Вячеславович

Введение

1 Обзор методов и технологий детектирования атмосферных явлений:

от традиционных подходов до машинного обучения

1.1 Традиционные методы обработки данных и их ограничения

1.1.1 Физико-математические модели

1.1.2 Статистические методы

1.1.3 Эмпирические методы

1.1.4 Проблемы интеграции данных

1.2 Спутниковые данные для метеорологических исследований

1.2.1 Спутниковая программа Landsat

1.2.2 MODIS (Moderate Resolution Imaging Spectroradiometer)

1.2.3 GOES (Geostationary Operational Environmental Satellite)

1.2.4 Программный комплекс MIRS (Microwavelntegrated Retrieval System)21

1.2.5 Спутники и приборы NOAA-19, NOAA-20, METOP-B/C, Suomi-NPP21

1.2.6 Применение спутниковых данных в метеорологических моделях

1.3 Применение нейронных сетей и методов классификации 23 для детектирования осадков и гроз

1.3.1 Нейронные сети

1.3.2 Методы классификации

1.3.3 Комбинированные подходы

1.3.4 Примеры успешного применения

1.4 Выводы по главе

2 Анализ повторяемости атмосферных явлений и фоновых параметров атмосферы

2.1 Источники данных и методы анализа

2.1.1 Данные реанализа ERA5

2.1.2 Данные наземной наблюдательной сети

2.1.3 Методы обработки и интеграции данных

2.1.4 Преимущества и ограничения используемых данных

2.2 Анализ повторяемости атмосферных явлений

2.2.1 Снег

2.2.2 Дождь ливневый

2.2.3 Снег ливневый

2.2.4 Дождь

2.2.5 Снег ливневый мокрый

2.2.6 Гроза

2.2.7 Снег мокрый

2.2.8 Морось

2.2.9 Крупа снежная

2.2.10 Зерна снежные

2.2.11 Ледяная крупа

2.3 Анализ фоновых параметров атмосферы при различных атмосферных явлениях

2.3.1 Снег

2.3.2 Дождь ливневый

2.3.3 Снег ливневый

2.3.4 Дождь

2.3.5 Снег ливневый мокрый

2.3.6 Гроза

2.3.7 Снег мокрый

2.3.8 Морось

2.3.9 Крупа снежная

2.3.10 Зерна снежные

2.3.11 Ледяная крупа

2.4 Температурно-влажностные характеристики и индексы неустойчивости при атмосферных осадках и грозах

2.5 Выводы по главе 2 76 3 Разработка и валидация алгоритма детектирования атмосферных явлений . 80 на данных спутникового зондирования

3.1 Принципиальная схема и обучение алгоритма детектирования атмосферных явлений

3.2 Оценка достоверности детектирования атмосферных явлений над территорией Сибири

3.2.1 Оценка достоверности детектирования вероятных зон гроз по данным штормовых телеграмм в коде WAREP

3.2.2 Оценка достоверности детектирования вероятных зон атмосферных явлений по данным Всероссийского научно-исследовательского института гидрометеорологической информации — Мировой центр данных

3.2.3 Результаты испытаний по Сибирскому региону

3.3 Выводы по главе

4 Результаты оперативных испытаний разработанных моделей по метеостанциям территории ответственности ФГБУ «Западно-Сибирское УГМС»

4.1 Оценка достоверности детектирования вероятных зон гроз над метеостанцией и в радиусе 30 км по данным фактических наблюдений по станциям региона в коде КН-01 БУКОР

4.2 Оценка достоверности детектирования вероятных зон ливневых осадков над метеостанцией и в радиусе 50 км по данным фактических наблюдений по станциям региона в коде КН-01 БУЫОР

4.3 Оценка достоверности детектирования вероятных зон гроз с вероятностью >80% над метеостанцией по данным фактических наблюдений по станциям региона в коде WAREP

4.4 Выводы по главе

Заключение

Список использованных источников и литературы

Приложение А Внутригодовые распределения, внутрисуточные и многолетние изменчивости, вертикальные профили атмосферных явлений и таблицы оправдываемости

Введение

Введение диссертации (часть автореферата) на тему «Детектирование зон атмосферных явлений над территорией Сибири по данным спутникового зондирования»

Актуальность работы

В условиях глобального изменения климата наблюдается учащение и увеличение интенсивности опасных атмосферных явлений, таких как грозы, ливни, град, сильные снегопады, сопровождающиеся увеличением частоты чрезвычайных ситуаций природного характера. Эти явления оказывают прямое воздействие не только на атмосферные процессы, но и на геоэкологическую обстановку регионов: повышают эрозионную опасность, увеличивают риск подтоплений и наводнений, ускоряют деградацию почв, приводят к авариям на инфраструктурных объектах и создают угрозу для здоровья и безопасности населения. В геоэкологических исследованиях изучение таких процессов имеет особое значение, поскольку они формируют совокупность природных и техногенных рисков, влияющих на устойчивое развитие территорий. Согласно статистическим данным, в России около 40% всех случаев опасных метеорологических явлений (ОЯ) связано с активной конвекцией, которая характеризуется высокой изменчивостью и непредсказуемостью.

Трудности их диагностики и прогнозирования напрямую отражаются на возможности предупреждения негативных последствий для хозяйственной деятельности, экосистем и населения. В условиях Сибири, где экстремальные погодные явления сопровождаются сложными ландшафтными и климатическими особенностями, данная проблема становится особенно острой. Эти явления имеют выраженные пространственные и временные особенности, что затрудняет их прогнозирование с использованием традиционных методов, таких как численные модели прогноза погоды (ЧПП). Качественный прогноз невозможен без точного диагноза физических характеристик облачности и вертикального строения тропосферы. Для этого необходима информация, которая может быть получена не только стандартными методами, но и с помощью дополнительных источников, таких как метеорологические радиолокаторы и спутниковые данные.

В последние годы в России активно развиваются системы космического мониторинга опасных гидрометеорологических явлений как на федеральном уровне, так и в отдельных регионах. Эти системы обеспечивают не только наблюдение за возникновением чрезвычайных ситуаций, но и позволяют проводить мониторинг и оценку ущерба, что подчеркивает значимость внедрения современных технологий в метеорологическую практику.

В условиях стремительного технологического прогресса и увеличения массивов информации, пригодной для изучения, искусственный интеллект играет ключевую роль в обработке и толковании обширного количества метеорологических данных. Использование методов искусственного интеллекта сокращает потребность в ручной работе при формировании предсказательных данных и повышает их точность. Алгоритмы машинного обучения способны улучшать анализ исходной информации, сокращая расхождение между прогнозами и реальными данными. В контексте предсказания молний особо значимыми являются результаты международных исследований, показывающие преимущество машинного обучения перед традиционными числовыми методами в обеспечении большей точности, критически важной для точной оценки геоэкологических угроз.

Использование спутникового микроволнового зондирования для восстановления вертикальных профилей метеорологических параметров только начинает приобретать популярность. Спутниковая информация пока не получила достаточного признания в качестве дополнительного источника аэрологической информации в России, особенно в удаленных и труднодоступных регионах, таких как Север Западной Сибири. Тем не менее, это создает новые возможности для повышения точности прогнозирования путем интеграции спутниковых данных с традиционными методами.

Таким образом, актуальность данной работы заключается в необходимости разработки новых подходов и алгоритмов, способных эффективно использовать спутниковые данные и технологии машинного обучения для детектирования опасных атмосферных явлений. Это особенно важно для региона Сибири, где

экстремальные погодные условия могут оказывать значительное воздействие на экономику и безопасность населения. Исследование в этой области имеет потенциал не только для научного сообщества, но и имеет прикладное значение для совершенствования систем мониторинга и раннего предупреждения, снижения геоэкологических рисков, минимизации ущерба для экономики, экосистем и населения, а также обеспечения устойчивого развития территорий.

Степень разработанности темы исследования

Вопросы изучения атмосферных явлений и их детектирования по данным дистанционного зондирования атмосферы в последние годы активно развиваются, однако в отечественной литературе до сих пор сохраняется ряд пробелов, восполнение которых определяет круг задач данного исследования. Наибольшее внимание в российских работах уделяется анализу температурно-влажностного режима атмосферы и крупномасштабных циркуляционных особенностей. Так, в трудах Носковой Е. В., Обязова В. А. и Вахниной И. Л. подробно исследованы изменения приземной температуры воздуха в Южной Сибири и их связь с крупномасштабными процессами циркуляции, что позволило проследить тенденции многолетних колебаний климатической системы региона. В исследованиях Султангазина У. М. и Ахмеджанова А. Х. рассматриваются численные методы восстановления вертикальных профилей температуры и влажности по данным спутниковых наблюдений, где основное внимание сосредоточено на решении обратных задач и корректности получаемых профилей. Работы Хвостова И. В. и соавторов направлены на оценку возможностей микроволновых спутниковых систем в задачах мониторинга облачности, гидрологических и атмосферных процессов, что создает методическую основу для последующего применения подобных данных при прогнозировании опасных явлений.

Несмотря на то, что перечисленные исследования внесли значительный вклад в понимание структуры атмосферы и динамики её параметров, вопросы практического детектирования конкретных атмосферных явлений, особенно гроз, ливневых осадков и явлений смешанной фазовой природы, остаются

разработанными лишь частично. В большинстве случаев анализ ограничивается приземными характеристиками либо отдельными изобарическими уровнями, тогда как многослойная вертикальная структура атмосферы и её роль в инициировании опасных конвективных явлений исследована недостаточно. Кроме того, практически отсутствуют работы, в которых подобные методы проходили бы полноценную оперативную проверку в условиях реальной гидрометеорологической службы, что особенно актуально для территорий со сложной орографией и низкой плотностью наблюдательной сети, как в Сибири.

Таким образом, в научной литературе накоплен значительный материал, связанный с исследованием термодинамических характеристик атмосферы и развитием спутниковых методов мониторинга. Однако до настоящего времени остаётся нерешённой задача построения и валидации алгоритмов детектирования атмосферных явлений с учётом региональных климатических особенностей, пространственной устойчивости методов и их практической адаптации для нужд гидрометеорологических подразделений. Именно эти пробелы и определяют актуальность настоящего исследования, ориентированного на разработку и внедрение алгоритмов, обеспечивающих более высокую точность и надёжность мониторинга атмосферных явлений на территории Сибири, что имеет важное значение в том числе и в геоэкологическом контексте.

Цель и задачи диссертационной работы Целью диссертационного исследования является разработка устойчивой архитектуры алгоритма для детектирования атмосферных явлений, таких как грозы и осадки, с использованием методов машинного обучения с возможностью периодического дообучения.

Для достижения поставленной цели необходимо решить следующие задачи: 1. На основе анализа научной литературы и существующих практик обобщить традиционные и современные методы детектирования атмосферных явлений, выявить их сильные и слабые стороны, а также определить перспективы применения технологий машинного обучения и спутникового мониторинга.

2. Провести исследование повторяемости опасных атмосферных явлений и фоновых характеристик атмосферы, выявить их пространственно-временные закономерности, которые могут служить базой для построения прогностических алгоритмов.

3. Разработать и верифицировать алгоритм детектирования атмосферных явлений с использованием данных спутникового зондирования и методов машинного обучения, обеспечивающий повышение точности по сравнению с существующими подходами.

4. Оценить эффективность разработанной технологии в условиях реальной оперативной практики, провести её испытания на метеостанциях Западной Сибири и определить возможности внедрения в работу региональных подразделений Росгидромета.

Научная новизна

Научная новизна представленной диссертационной работы заключается в следующем.

1. Проведена оценка точности восстановления метеорологических параметров по высотам для территории Сибири, полученных с помощью дистанционного зондирования на основе данных реанализа ЕЯА5, принятыми за эталон.

2. Разработана и адаптирована к спутниковым данным архитектура алгоритма детектирования атмосферных явлений на территории Сибири, основанная на технологиях машинного обучения и нейронных сетях.

3. Впервые получены удовлетворительные результаты распознавания зон атмосферных явлений в высоких широтах Сибирского сектора.

4. Разработан алгоритм корректировки спутниковых данных в зависимости от определяемых атмосферных искажений на базе предобученных нейронных сетях.

Теоретическая и практическая значимость работы

Теоретическая значимость работы заключается в выявлении особенностей стратификации атмосферы при различных гидрометеорологических явлениях.

Полученные результаты позволяют глубже понимать региональные особенности формирования атмосферных явлений, что может способствовать в оценке их воздействия на окружающую среду и хозяйственную деятельность человека. Практическая значимость заключается в возможности реального применения разработанной каскадной системы детектирования атмосферных явлений в подразделениях Росгидромета. Так, Решением Центральной методической комиссии по гидрометеорологическим и гелиогеофизическим прогнозам (ЦМКП) Росгидромета от «09» декабря 2021 г. № 01-11610/21и разработанная автором технология выделения вероятных зон гроз и атмосферных осадков различной интенсивности в летний период года для территории Сибири по данным спутникового зондирования была внедрена в оперативную работу СЦ ФГБУ «НИЦ «Планета» с 15.11.2021 г. ЦМКП Росгидромета рекомендовано к использованию в оперативно-прогностических подразделениях ФГБУ «ЗападноСибирское УГМС» информационную продукцию технологии выделения вероятных зон гроз и атмосферных осадков различной интенсивности в летний период года для территории Сибири по данным спутникового зондирования в качестве вспомогательной при подготовке прогнозов погоды, начиная с 2022 г.

Методология и методы исследования

Выделение вероятных зон атмосферных явлений по данным спутникового зондирования представляет собой модель вероятностного детектирования наличия или отсутствия атмосферного явления. С помощью расчетов выделяются зоны, в которых параметры атмосферы в большей или меньшей степени соответствуют условиям, при которых может сформироваться гидрометеорологическое явление. Расчеты осуществляются с помощью технологии машинного обучения и нейронных сетей.

За эталонные данные о фактическом наблюдении атмосферных явлений на станции, на этапе валидации нейронной сети, была принята информация из штормовых телеграмм в коде WAREP, предоставленная ФГБУ «ЗападноСибирское УГМС», за период май-октябрь 2021 года. Обучения нейронной сети и тестирование проводилась на основе информации из открытой базы данных

ВНИИГМИ МЦД, содержащей данные о типах атмосферных явлений, их интенсивности и времени начала/окончания, за май - октябрь 1990 - 2020 гг..

Также основную роль играют данные реанализа ERA5 которые производятся ECMWF и предоставляют почасовые данные о параметрах поверхности суши, моря и атмосферы (для 37 уровней давления, от подстилающей поверхности до 80 км) с 1979 года по настоящее время. Пространственное разрешение - 0.25° х 0.25°. ERA5 является результатом ассимиляции данных 4D-Var в CY41R2 интегрированной прогнозной системе ECMWF (IFS), которая усваивает данные наземной наблюдательной сети и данные аэрологического зондирования. Использовались данные о вертикальном распределении температуры и влажности. На их основе рассчитывались вертикальные профили температуры точки росы, относительной влажности, дефицита точки росы и значения индексов неустойчивости (Vertical Totals, Cross Totals, Total Totals, К-индекс и высоты нижней границы конвективной облачности).

Для адаптации и верификации обученных моделей использованы данные программного комплекса (ПК) MIRS. ПК MIRS разработан Центром спутниковых приложений и исследований NOAA / NESDIS (STAR). Входными данными, используемыми для обработки в ПК MIRS, являются микроволновые измерения приборов AMSU/MHS КА серии NOAA, MetOp и прибора ATMS КА Suomi NPP. Для расчета параметров атмосферы и подстилающей поверхности ПК MIRS использует физически обоснованную модель восстановления метеорологических характеристик 1DVAR.

Также в исследовании использовалась открытая программная библиотека для машинного обучения, разработанная компанией Google-TensorFlow, дополненная нейросетевой библиотекой KERAS.

Оценка точности детектирования производится в соответствии с Методическими указаниями по проведению производственных (оперативных) испытаний новых и усовершенствованных методов гидрометеорологических и гелиогеофизических прогнозов (РД 52.27.284-91.

Положения, выносимые на защиту

1. Использование модели бинарной классификации как дополнительного элемента при построении модели детектирования атмосферных явлений улучшает качество обнаружения явления не менее чем на 10%.

2. Разработанные алгоритмы предварительной коррекции спутниковых данных вертикального разрешения позволяют уменьшить значения ошибки восстановления метеовеличин не менее чем на 38 %.

3. Применение разработанного алгоритма для спутниковых данных позволяет детектировать зоны атмосферных явлений при адвективных процессах с точностью от 71% и до 85% при конвективных.

Степень достоверности результатов

Достоверность и обоснованность полученных результатов и сделанных выводов подтверждается их сравнением с независимыми данными и исследованиями других авторов, а также публикациями в рецензируемых периодических изданиях, широким обсуждением на различных (российских и международных) конференциях и семинарах.

Апробация работы

Основные результаты диссертационной работы докладывались и обсуждались на следующих научных конференциях и семинарах: V Всероссийская научная конференция «Проблемы военно-прикладной геофизики и контроля состояния природной среды» и I молодежная школа «Проблемы военно-прикладной геофизики, радиолокационного и аэрокосмического зондирования природной среды» (Санкт-Петербург, 2018); Международная научная конференция «Региональные проблемы дистанционного зондирования Земли» (Красноярск, 2018); XIII Сибирское совещание и школа молодых ученых по климато-экологическому мониторингу (Томск, 2019); Международная научно-практическая конференция, посвященная 100-летию Ю.И. ЧИРКОВА (Москва, 2019); XXVI Всероссийская открытая научная конференция «Распространение радиоволн» (Казань, 2019); Международная научная конференция «Региональные проблемы дистанционного зондирования Земли» (Красноярск, 2020);

Всероссийская научно-практическая конференция с международным участием «Цифровая география» (Пермь, 2020).

Результаты диссертационной работы докладывались на технических совещаниях в ФГБУ «Западно-Сибирское УГМС» (Новосибирск, 2020, 2021).

Личный вклад

1. Автором проведен анализ существующих методик детектирования опасных конвективных метеорологических явлений.

2. Основная роль в разработке технологии выделения вероятных зон гроз и атмосферных осадков различной интенсивности для территории Сибири по данным спутникового зондирования.

3. Основная роль в работах по программной реализации полученных технологий для оперативной обработки спутниковых данных вместе с соавторами статей, лежащих в основе работы.

4. Основная роль в разработке методик валидации технологии выделения вероятных зон гроз и атмосферных осадков различной интенсивности для территории Сибири по данным спутникового зондирования и проведении её на независимых данных.

5. Участие в подготовке и написании научных статей, в подготовке и представлении докладов на научных конференциях и семинарах.

Объем и структура работы

Диссертация состоит из введения, четырех глав, заключения, списка использованных источников и литературы, одного приложения. Полный объем диссертации составляет 161 страницу, содержит 52 рисунка и 23 таблицы. Список литературы содержит 70 наименований.

Объект исследования - слой тропосферы на территории Сибири.

Предметом исследования являются вертикальные профили температуры и влагосодержания при различных атмосферных явлениях.

Благодарности

Автор считает своим долгом выразить глубокую благодарность научному руководителю, кандидату географических наук, доценту Кужевской Ирине

Валерьевне за постановку темы и задач исследования, внимательное руководство, конструктивные замечания и неизменную поддержку на всех этапах подготовки диссертационной работы.

Автор также искренне благодарит декана геолого-географического факультета Тишина Платона Алексеевича за внимание к работе и постоянное содействие в её выполнении, а также выражает признательность всему коллективу факультета за оказанные консультации, рекомендации и доброжелательное отношение.

Особая благодарность выражается сотрудникам ФГБУ «НИЦ «Планета» и ФГБУ «Западно-Сибирское УГМС» за предоставленные данные, методическую помощь и участие в обсуждении результатов исследования, что внесло значительный вклад в успешное выполнение данной работы.

Наконец, автор сердечно благодарит свою семью — родителей и близких — за терпение, понимание и всестороннюю поддержку, оказанную в период работы над диссертацией.

1 Обзор методов и технологий детектирования атмосферных явлений: от традиционных подходов до машинного обучения

1.1 Традиционные методы обработки данных и их ограничения

Традиционные методы обработки метеорологических данных основываются на физико-математических моделях, статистических методах и эмпирических подходах [1]. Эти методы применяются для анализа атмосферных явлений, прогнозирования погоды и климата, а также для оценки риска экстремальных погодных событий [2,3]. Однако с развитием технологий и накоплением объемных данных возникает необходимость пересмотра этих методов.

1.1.1 Физико-математические модели

Одним из основных направлений традиционной метеорологии является использование численных методов, основанных на физических законах атмосферы, таких как уравнения Навье-Стокса. Эти модели, называемые моделями численного прогноза погоды (Numerical Weather Prediction, NWP), требуют значительных вычислительных ресурсов и сложных математических вычислений. Они обеспечивают прогнозы погоды на основе исходных условий, полученных из наблюдений и спутниковых данных [4].

Ограничения:

- Высокая вычислительная сложность: Для достижения необходимой пространственной и временной разрешающей способности требуется мощное оборудование и значительное время на вычисления. Например, запуск высокоразрешающих моделей требует использования суперкомпьютеров и значительных временных ресурсов [5, 6].

- Чувствительность к начальным условиям: Малые ошибки в исходных данных могут приводить к значительным искажениям в прогнозах, что особенно важно в условиях динамичных атмосферных процессов. Исследования

показывают, что при неправильной инициализации модели предсказания могут терять свою точность всего через несколько часов после запуска [7, 8].

1.1.2 Статистические методы

Статистические методы, такие как регрессионный анализ и временные ряды, также используются в метеорологии для прогнозирования погодных условий. Эти методы предполагают наличие зависимости между различными метеорологическими параметрами и позволяют выявлять закономерности на основе исторических данных [9].

Ограничения:

- Ограниченная предсказательная способность: Статистические методы зачастую не способны учесть сложные нелинейные взаимодействия в атмосфере, что приводит к снижению точности прогнозов в условиях аномально высоких температур и влажности [10, 11]. Например, регрессионные модели могут не отражать сложные зависимости между осадками и такими переменными, как температура и атмосферное давление. [12].

- Необходимость больших объемов данных: Для создания надежных моделей необходимо значительное количество исторических данных, что не всегда возможно для редких метеорологических явлений [13]. В некоторых случаях информация может быть неполной или недоступной из-за ограничений в наблюдениях. [14].

1.1.3 Эмпирические методы

Эмпирические методы, включая применение параметрических уравнений или графиков для оценки вероятности возникновения различных явлений, таких как грозы или осадки, находят широкое применение. Эти подходы основываются на наблюдениях и выводах, полученных в результате многолетних исследований.

Ограничения:

- Низкая точность: Эмпирические методы часто основываются на субъективных оценках и не учитывают влияние климатических изменений и других внешних факторов, что может снижать надежность прогнозов [15].

- Ограниченная универсальность: Эти подходы могут демонстрировать высокую эффективность в одних условиях, но оказывать ограниченное воздействие в других, что сужает их применение в различных регионах [16]. Например, параметры, используемые для оценки вероятности осадков в одном регионе, могут оказаться неподходящими для другого из-за различий в климатических и географических условиях [17].

- Кроме того, изменения климата, наблюдаемые в России за последние десятилетия, ослабляют надежность эмпирических зависимостей, построенных на данных XX века [18, 19].

1.1.4 Проблемы интеграции данных

Классические подходы зачастую испытывают сложности при объединении данных из различных источников, включая наземные метеостанции, спутниковые данные и радиолокационные наблюдения. Это может привести к потере информации и снижению точности прогноза. Например, традиционные методы не всегда эффективно обрабатывают данные о конвективных процессах, которые требуют быстрого обновления информации и более высокой пространственной разрешающей способности [20].

Современные системы наблюдения, такие как Next Generation Weather Radar (NEXRAD), обеспечивают более надежные данные о грозах и осадках, но их интеграция с данными спутников остается проблематичной, особенно в условиях сложного рельефа местности [21].

1.2 Спутниковые данные для метеорологических исследований

Спутниковые данные играют ключевую роль в метеорологических исследованиях, предоставляя высокодетализированную информацию о состоянии атмосферы, облачности, температуре поверхности и осадках. В последние десятилетия ряд спутниковых миссий предоставил важные данные, которые применяются для прогнозирования погоды, изучения климата и наблюдения за конвективными явлениями, такими как грозы и ливневые дожди [22, 23]. Обратим внимание на ключевые миссии и инструменты, оказавшие заметное влияние на метеорологические исследования.

1.2.1 Спутниковая программа Landsat

Запущенная в 1972 году, программа Landsat является одной из самых долгосрочных и эффективных инициатив в области дистанционного зондирования Земли. Спутники Landsat обеспечивают данные с высоким пространственным разрешением, которые применяются для наблюдения за состоянием земной поверхности, а также для анализа изменений в растительности, снежном покрове и водных ресурсах. Несмотря на то что основная задача Landsat заключается в наблюдении за земной поверхностью, его данные также применяются в метеорологии, особенно для анализа взаимодействий между землей и атмосферой, таких как испарение и температурные аномалии. [24].

Система Landsat 8, запущенная в 2013 году, включает два ключевых сенсора: Operational Land Imager (OLI) и Thermal Infrared Sensor (TIRS). OLI предоставляет спектральные данные в видимом, ближнем инфракрасном и коротковолновом инфракрасном диапазонах, что делает его полезным для анализа облачности и характеристик поверхности. TIRS, в свою очередь, фиксирует тепловое излучение, что позволяет оценивать температуру поверхности и изучать атмосферные процессы [25].

Хотя данные спутниковой системы Landsat не применяются напрямую для определения осадков и гроз, они способствуют более полному пониманию метеорологических процессов, позволяя выявлять зоны термальных аномалий, которые могут быть связаны с конвективной активностью. [26, 23]. Исследования подтверждают, что Landsat может быть использован для анализа временных изменений в растительности и снежном покрове, что, в свою очередь, оказывает влияние на атмосферные процессы, включая локальные осадки. [27].

Список литературы диссертационного исследования кандидат наук Чурсин Владислав Вячеславович, 2025 год

Список использованных источников и литературы

1. Watanabe T., Matsuyama H., Kuzhevskaia I., Nechepurenko O., Chursin V., Zemtsov V. Long-Term Trends of Extreme Climate Indexes in the Southern Part of Siberia in Comparison with Those of Surrounding Regions // Atmosphere. - 2023. -Vol. 14, No. 7. - P. 1131. - DOI 10.3390/atmos14071131.

2. Груза Г. В., Ранькова Э. Я. О тенденциях изменения климата и экстремальных погодных явлений в России // Метеорология и гидрология. - 2017. - № 10. - С. 3-13. - DOI: 10.3103/S1068373917100016.

3. Мохов И. И., Семенов В. А. Современные климатические изменения в России в контексте глобальных изменений // Известия РАН. Физика атмосферы и океана. - 2020. - Т. 56, № 1. - С. 3-14. - DOI: 10.31857/S0002-351555611003-14.

4. Kalnay E. Atmospheric Modeling, Data Assimilation and Predictability. -Cambridge: Cambridge University Press, 2003. - 341 p.

5. Wilks D. S. Statistical Methods in the Atmospheric Sciences. - 3rd ed. -Amsterdam: Academic Press, 2011. - 704 p.

6. Семенов В. А., Киселев А. А. Сравнительный анализ эффективности моделей численного прогноза погоды для территории России // Метеорология и гидрология. - 2019. - № 7. - С. 5-16. - DOI: 10.3103/S1068373919070013.

7. Gneiting T., Raftery A. E. Weather forecasting with ensemble methods // Science. - 2005. - Vol. 310, № 5746. - P. 248-249. - DOI: 10.1126/science.1115255.

8. Катионов А. М. Использование статистических методов в задачах краткосрочного прогнозирования опасных явлений // Труды Гидрометцентра России. - 2015. - № 358. - С. 33-46.

9. Ebert-Uphoff I., Hilburn K. Evaluation, Interpretation, and Use of Satellite Data Using Machine Learning Techniques // Bulletin of the American Meteorological Society. - 2020. - Vol. 101, № 12. - P. 2471-2491. - DOI: 10.1175/BAMS-D-19-0303.1.

10. Горбатенко В. П., Кужевская И. В., Пустовалов К. Н., Чурсин В. В. Оценка изменчивости конвективного потенциала атмосферы в условиях

изменяющегося климата Западной Сибири // Метеорология и гидрология. - 2020.

- № 5. - С. 108-117. - DOI: 10.52002/0130-2906-2020-5-108-117.

11. Нечепуренко О. Е., Кужевская И. В., Чурсин В. В. Анализ проявления экстремальности климата с середины XX в. на территории Горного Алтая // Геосферные исследования. - 2020. - № 3. - С. 97-108. - DOI: 10.17223/25421379/16/8.

12. Breiman L. Random forests // Machine Learning. - 2001. - Vol. 45, № 1. -P. 5-32. - DOI: 10.1023/A:1010933404324.

13. Шмакин А. Б., Шерстюков Б. Г. Современные изменения климата России: наблюдения и сценарии // Фундаментальная и прикладная климатология.

- 2018. - № 2. - С. 3-19. - DOI: 10.21513/2410-8758-2018-2-3-19.

14. McGovern A., Lagerquist R., Gagne D. J. II, Jergensen G. E., Elmore K. L., Homeyer C. R., Smith T. Using Artificial Intelligence to Improve Real-Time Decision-Making for High-Impact Weather // Bulletin of the American Meteorological Society. - 2017. - Vol. 98, № 10. - P. 2073-2090. - DOI: 10.1175/BAMS-D-16-0123.1.

15. Michel E., F. D. Integrating Satellite and Ground-Based Observations for Improved Weather Forecasting // Bulletin of the American Meteorological Society. -2016. - Vol. 97, № 1. - P. 57-62. - DOI: 10.1175/BAMS-D-14-00256.1.

16. Киселев В. В., Трофимов А. М. Геоэкологические риски, связанные с экстремальными погодными явлениями в Сибири // География и природные ресурсы. - 2021. - № 3. - С. 42-55. - DOI: 10.21782/GIPR0206-1619-2021-3(42-55).

17. Dueben P. D., Bauer P. Challenges and design choices for global weather and climate models based on machine learning // Geoscientific Model Development. -2018. - Vol. 11, № 10. - P. 3999-4009. - DOI: 10.5194/gmd-11-3999-2018.

18. Груза Г. В., Ранькова Э. Я., Самохина И. Ю. Опасные гидрометеорологические явления и изменение климата в России // Фундаментальная и прикладная климатология. - 2018. - № 3. - С. 5-20. - DOI: 10.21513/2410-8758-2018-3-5-20.

19. Шерстюков Б. Г. Изменение температуры воздуха и атмосферных осадков в России в XXI веке // Фундаментальная и прикладная климатология. -2021. - № 6. - С. 45-61. - DOI: 10.21513/2410-8758-2021-6-45-61.

20. Bauer P., Thorpe A., Brunet G. The quiet revolution of numerical weather prediction // Nature. - 2015. - Vol. 525, № 7567. - P. 47-55. - DOI: 10.1038/nature 14956.

21. Shumway R. H., Stoffer D. S. Statistical Methods for Forecasting. -Hoboken, NJ : Wiley, 2014. - 574 p.

22. Фролов А. В., Катионов А. М. Современные подходы к мониторингу и прогнозированию опасных метеорологических явлений в России // Метеорология и гидрология. - 2021. - № 9. - С. 3-15. - DOI: 10.3103/S1068373921090011.

23. Шихов А. Н., Черепанов А. С. Использование спутниковых данных Landsat и MODIS для мониторинга сезонной динамики снежного покрова в северных регионах России // Современные проблемы дистанционного зондирования Земли из космоса. - 2018. - Т. 15, № 3. - С. 231-244. - DOI: 10.21046/2070-7401 -2018-15-3-231 -244.

24. Стычинский И. И., Барталев С. А. Использование данных спутниковых наблюдений MODIS и Landsat для оценки динамики растительности в России // Современные проблемы дистанционного зондирования Земли из космоса. - 2019. - Т. 16, № 5. - С. 151-164. - DOI: 10.21046/2070-7401-2019-16-5151-164.

25. Roy D. P., Wulder M. A., Loveland T. R. [et al.]. Landsat-8: Science and product vision for terrestrial global change research // Remote Sensing of Environment. - 2014. - Vol. 145. - P. 154-172. - DOI: 10.1016/j.rse.2014.02.001.

26. Wulder M. A., Masek J. G., Cohen W. B. [et al.]. Landsat continuity: Issues and opportunities for land cover monitoring // Remote Sensing of Environment. -2012. - Vol. 122. - P. 84-91. - DOI: 10.1016/j.rse.2011.06.026.

27. Justice C. O., Vermote E., Townshend J. R. G. [et al.]. The Moderate Resolution Imaging Spectroradiometer (MODIS): Land remote sensing for global

change research // IEEE Transactions on Geoscience and Remote Sensing. - 2002. -Vol. 36, № 4. - P. 1228-1249. - DOI: 10.1109/36.701075.

28. Platnick S., King M. D., Ackerman S. A. [et al.]. The MODIS cloud products: Algorithms and examples from Terra // IEEE Transactions on Geoscience and Remote Sensing. - 2003. - Vol. 41, № 2. - P. 459-473. - DOI: 10.1109/TGRS.2002.808301.

29. Ackerman S. A., Strabala K. I., Menzel W. P. [et al.]. Discriminating clear-sky from cloud with MODIS // Journal of Geophysical Research: Atmospheres. - 1998. - Vol. 103, № D24. - P. 32141-32157. - DOI: 10.1029/1998JD200032.

30. Schmit T. J., Griffith P., Gunshor M. M. [et al.]. A closer look at the ABI on the GOES-R series // Bulletin of the American Meteorological Society. - 2017. -Vol. 98, № 4. - P. 681-698. - DOI: 10.1175/BAMS-D-15-00230.1.

31. Станкевич Т. С. Оценка пожароопасности лесов посредством применения кластеризации и нейронных сетей в условиях нестационарности и неопределенности // Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. -2020. - № 2. - С. 56-69. - DOI: 10.24143/2072-9502-2020-2-56-69.

32. Goodman S. J., Blakeslee R. J., Koshak W. J. [et al.]. The GOES-R Geostationary Lightning Mapper (GLM) // Atmospheric Research. - 2013. - Vol. 125126. - P. 34-49. - DOI: 10.1016/j.atmosres.2013.01.006.

33. Ebert-Uphoff I., Hilburn K. Evaluation, Interpretation, and Use of Satellite Data Using Machine Learning Techniques // Bulletin of the American Meteorological Society. - 2020. - Vol. 101, № 12. - P. 2471-2491. - DOI: 10.1175/BAMS-D-19-0303.1.

34. Chen T., Han Y., Weng F. Machine Learning-Based Atmospheric Temperature and Humidity Retrieval Algorithm Using Microwave Satellite Observations // IEEE Transactions on Geoscience and Remote Sensing. - 2019. - Vol. 57, № 10. - P. 7894-7907. - DOI: 10.1109/TGRS.2019.2918291.

35. Киселев А. В., Шихов А. В., Черепанов В. В. Использование данных геостационарных спутников «Электро-Л» для мониторинга конвективных явлений в атмосфере // Метеорология и гидрология. - 2017. - № 4. - С. 3-16.

36. Dawood M., Asif A., Minhas F.u.A.A. eep-PHURIE: deep learning based hurricane intensity estimation from infrared satellite imagery // Neural Computing and Applications. - 2020. - Vol. 32, № 5. - P. 9009-9017. - DOI:10.1007/s00521-019-04410-7

37. Kummerow C., Simpson J., Thiele O. [et al.]. The Tropical Rainfall Measuring Mission (TRMM) sensor package // Journal of Atmospheric and Oceanic Technology. - 2001. - Vol. 15, № 3. - P. 809-817. - DOI: 10.1175/1520-0426(1998)015<0809:TTRMMS>2.0.ra;2.

38. Aires F., Prigent C., Rossow W. B., Rothstein M. Retrieving temperature and water vapor profiles from multichannel microwave observations // Journal of Geophysical Research. - 2001. - Vol. 106, № D13. - P. 14883-14899. - DOI: 10.1029/2001JD900085.

39. Kalnay E. Atmospheric Modeling, Data Assimilation and Predictability. -Cambridge: Cambridge University Press, 2003. - 341 p.

40. Жохова Д. А., Кужевская И. В., Пустовалов К. Н., Чурсин В. В. Случай зимней конвекции по данным ATOVS // Труды Военно-космической академии имени А. Ф. Можайского. - 2018. - № 662. - С. 211-214.

41. Dueben P. D., Bauer P. Challenges and design choices for global weather and climate models based on machine learning // Geoscientific Model Development. -2018. - Vol. 11, № 10. - P. 3999-4009. - DOI: 10.5194/gmd-11-3999-2018.

42. Dueben P. D., Bauer P. Challenges and design choices for global weather and climate models based on machine learning // Geoscientific Model Development. -2018. - Vol. 11, № 10. - P. 3999-4009. - DOI: 10.5194/gmd-11-3999-2018.

43. Liu Y., Li Z., Zhang Y. [et al.]. A deep learning approach for detecting convective clouds in satellite imagery // Remote Sensing. - 2020. - Vol. 12, № 18. - P. 2960. - DOI: 10.3390/rs12182960.

44. Bauer P., Thorpe A., Brunet G. The quiet revolution of numerical weather prediction // Nature. - 2015. - Vol. 525, № 7567. - P. 47-55. - DOI: 10.1038/nature 14956.

45. McGovern A., Lagerquist R., Gagne D. J. II [et al.]. Using Artificial Intelligence to Improve Real-Time Decision-Making for High-Impact Weather // Bulletin of the American Meteorological Society. - 2017. - Vol. 98, № 10. - P. 20732090. - DOI: 10.1175/BAMS-D-16-0123.1.

46. Gneiting T., Raftery A. E. Weather forecasting with ensemble methods // Science. - 2005. - Vol. 310, № 5746. - P. 248-249. - DOI: 10.1126/science.1115255.

47. Michel E., F. D. Integrating Satellite and Ground-Based Observations for Improved Weather Forecasting // Bulletin of the American Meteorological Society. -2016. - Vol. 97, № 1. - P. 57-62. - DOI: 10.1175/BAMS-D-14-00256.1.

48. S0nderby C. K., Espeholt L., Heek J. [et al.]. MetNet: A Neural Weather Model for Precipitation Forecasting // arXiv preprint. - 2020. - URL: arXiv:2003.12140 (access date: 06.08.2025).

49. Сарайкин А. А., Чайковский В. М. Применение нейронной сети в метеорологической радиолокации // Известия высших учебных заведений. Поволжский регион. Технические науки. - 2024. - № 1 (69). - С. 83-90. - DOI: 10.21685/2072-3059-2024-1-7.

50. McGovern A., Lagerquist R., Gagne D. J. II [et al.]. Using Artificial Intelligence to Improve Real-Time Decision-Making for High-Impact Weather // Bulletin of the American Meteorological Society. - 2017. - Vol. 98, № 10. - P. 20732090. - DOI: 10.1175/BAMS-D-16-0123.1.

51. Kidder S. Q., Vonder Haar T. H. Satellite Meteorology: An Introduction. -San Diego: Academic Press, 1995. - 466 p.

52. Gneiting T., Raftery A. E. Weather forecasting with ensemble methods // Science. - 2005. - Vol. 310, № 5746. - P. 248-249. - DOI: 10.1126/science.1115255.

53. Чурсин В. В., Косторная А. А. Применение глубинных нейронных сетей для обнаружения вероятных зон атмосферных осадков и гроз //

Метеорология и гидрология. - 2024. - № 4. - С. 55-66. - DOI 10.52002/0130-29062024-4-55-66.

54. Андреева Е. С. Применение методов нейропрограммирования для определения рисков опасных явлений погоды // Известия высших учебных заведений. Северо-Кавказский регион. Серия: Естественные науки. - 2008. - № 5 (147). - С. 105-107.

55. Shi X., Chen Z., Wang H. [et al.]. Convolutional LSTM network: A machine learning approach for precipitation nowcasting // Advances in Neural Information Processing Systems (NIPS). - 2015. - Vol. 28. - P. 802-810.

56. Chen T., Han Y., Weng F. Machine Learning-Based Atmospheric Temperature and Humidity Retrieval Algorithm Using Microwave Satellite Observations // IEEE Transactions on Geoscience and Remote Sensing. - 2019. - Vol. 57, № 10. - P. 7894-7907. - DOI: 10.1109/TGRS.2019.2918291.

57. Чурсин В. В., Кужевская И. В. Выделение с помощью нейронных сетей вероятностных зон развития грозы по данным спутникового зондирования // Геосферные исследования. - 2022. - № 3. - С. 162-171. - DOI 10.17223/25421379/24/11

58. Bauer P., Thorpe A., Brunet G. The quiet revolution of numerical weather prediction // Nature. - 2015. - Vol. 525, № 7567. - P. 47-55. - DOI: 10.1038/nature 14956.

59. Dueben P. D., Bauer P. Challenges and design choices for global weather and climate models based on machine learning // Geoscientific Model Development. -2018. - Vol. 11, № 10. - P. 3999-4009. - DOI: 10.5194/gmd-11-3999-2018.

60. Ebert-Uphoff I., Hilburn K. Evaluation, Interpretation, and Use of Satellite Data Using Machine Learning Techniques // Bulletin of the American Meteorological Society. - 2020. - Vol. 101, № 12. - P. 2471-2491. - DOI: 10.1175/BAMS-D-19-0303.1.

61. Быков Ф. Л. Постпроцессинг численных прогнозов приземных метеорологических параметров на основе нейросетевых методов : специальность 25.00.29 «Физика атмосферы и гидросферы» : диссертация на соискание ученой

степени кандидата физико-математических наук / Быков Филипп Леонидович, 2022. - 244 с.

62. Laiti L., Zardi D., Liberatore L., Rampazzo G. Deep Learning Approach for Hurricane Track Predictions Based on Satellite Data // Remote Sensing. - 2021. -Vol. 13, № 6. - P. 1132. - DOI: 10.3390/rs13061132.

63. Roy D. P., Wulder M. A., Loveland T. R. [et al.]. Landsat-8: Science and product vision for terrestrial global change research // Remote Sensing of Environment.

- 2014. - Vol. 145. - P. 154-172. DOI: 10.1016/j.rse.2014.02.001.

64. Wulder M. A., Masek J. G., Cohen W. B. [et al.]. Landsat continuity: Issues and opportunities for land cover monitoring // Remote Sensing of Environment. -2012. - Vol. 122. - P. 84-91. - DOI: 10.1016/j.rse.2011.06.026.

65. Аджиева А. А., Шаповалов А. В. Система кластерного анализа грозопеленгационной информации // Известия ЮФУ. Технические науки. - 2018.

- № 3 (197). - С. 14-22. - DOI: 10.23683/2311-3103-2018-3-14-22.

66. Hersbach H., Bell B., Berrisford P. [et al.]. The ERA5 global reanalysis // Quarterly Journal of the Royal Meteorological Society. - 2020. - Vol. 146, № 730. - P. 1999-2049. - DOI: 10.1002/qj.3803.

67. Всероссийский научно-исследовательский институт гидрометеорологической информации - Мировой центр данных. - [М.]. 2023. -URL: https://www.meteo.ru (дата обращения: 27.04.2024).

68. Peppler R. A. A review of static stability indices and related thermodynamic parameters. - Champaign, IL: Illinois State Water Survey, 1988. - 95 p.

69. Haklander A. J., Van Delden A. Thunderstorm predictors and their forecast skill for the Netherlands // Atmospheric Research. - 2003. - Vol. 67-68. - P. 273-299.

- DOI: 10.1016/S0169-8095(03)00056-5.

70. Горбатенко В. П., Кужевская И. В., Пустовалов К. Н., Чурсин В.В., Константинова Д. А. Оценка изменчивости конвективного потенциала атмосферы в условиях изменяющегося климата Западной Сибири // Метеорология и гидрология. - 2020. - № 5. - С. 108-117.

Внутригодовые распределения, внутрисуточные и многолетние изменчивости, вертикальные профили атмосферных явлений и таблицы оправдываемости

Рисунок А.1 - Внутригодовое распределение атмосферного явления «Дождь ливневый»

Рисунок А.2 - Внутрисуточная изменчивость количества записей об атмосферном явлении

«Дождь ливневый»

«Дождь ливневый»

Рисунок А.4. Внутригодовое распределение атмосферного явления «Снег ливневый»

Рисунок А.5 - Внутрисуточная изменчивость количества записей об атмосферном явлении

«Снег ливневый»

70000 ЛПППП

оииии 50000 40000

30000

20000

10000

0- ..... - - - - - - - - - - - - - -

123456789 10 11 12

Месяц

Рисунок А.7 - Внутригодовое распределение атмосферного явления «Дождь»

50000 -

47813 48777

45297

Л.1 Qfil......... 4? 155

4UUUU 40836 39895 39539

30000 -

10000 " П -

О 3 6 9 12 15 13 21

Срок, и тс

Рисунок А.8 - Внутрисуточная изменчивость количества записей об атмосферном явлении

«Дождь»

«Дождь»

Рисунок А.10 - Внутригодовое распределение атмосферного явления «Снег ливневый мокрый»

Рисунок А.11 - Внутрисуточная изменчивость количества записей об атмосферном явлении

«Снег ливневый мокрый»

60000 -

50000 -

40000 ■

30000 -20000-

10000 -

0 -

6 7

Месяц

10 11 12

Рисунок А.13 - Внутригодовое распределение атмосферного явления «Гроза»

Рисунок А.14 - Внутрисуточная изменчивость количества записей об атмосферном явлении

«Гроза»

«Гроза»

Рисунок А.16 - Внутригодовое распределение атмосферного явления «Снег мокрый»

Рисунок А.17 - Внутрисуточная изменчивость количества записей об атмосферном явлении

«Снег мокрый»

Рисунок А.19 - Внутригодовое распределение атмосферного явления «Морось»

Рисунок А.20 - Внутрисуточная изменчивость количества записей об атмосферном явлении

«Морось»

Рисунок А.22 - Внутригодовое распределение атмосферного явления «Крупа снежная»

Рисунок А.23 - Внутрисуточная изменчивость количества записей об атмосферном явлении

«Крупа снежная»

«Крупа снежная»

Рисунок А.25 - Внутригодовое распределение атмосферного явления «Зерна снежные»

Рисунок А.26 - Внутрисуточная изменчивость количества записей об атмосферном явлении

«Зерна снежные»

«Зерна снежные»

800 -

700 -

500 -400

200 -100 -

0 - - -

5 6 7

Месяц

Рисунок А.28 - Внутригодовое распределение атмосферного явления «Ледяная крупа»

Рисунок А.29 - Внутрисуточная изменчивость количества записей об атмосферном явлении

«Ледяная крупа»

«Ледяная крупа»

Рисунок А.31 - Усредненный вертикальный профиль температуры и удельного влагосодержания для атмосферного явления «Дождь ливневый»

й 700 =1

Среднее Среднее + 1а Среднее -1а

\ \ N > Ч ч ч ч ч \ ч X \ \ ч ---

\ч% ч X \ X ч

ч \ ч ч ч ч ч ч X ч \ ч \ ч \ ч ч х ч \ ч V ч ч ч

\ ч ч ч ч \ V ч \ \ \ 4 \ ч \ ч \ ч \ ч

\ \ \ \ ч \ ч \ ч ч ч \ ч ч ч \ ч ч ч

\ \ \ \ ч \ у \ \ \ \ \ \

\ \ ч ч \ ч \ V \ \ 1 \ Л \ \ \

\ \ \ V \ ч \ \ ч \ ч \ V V ч

1

Среднее Среднее +1сг Среднее -1о

1\\ ---

1 \ N 1 \ \ 1 \ 1 \ 1 \ 1 к ч ч

\ * \ 1 \ \ » 1 ч ч ч \ ч ч ч ч

г 1 \ \ ч 1 \ ч ч ч ч ч ч ч ч Ч

ч \ ч ч ч ч ч ч ч ч ч ч ч

ч ч \ ч ч ч ч ч ч ч ч ч ч ч

ч ч ч ч \ ч \ ч ч ч ч ч ч \

-50 -40 -30 -20 -10 Температура (°С)

0.0 0.5 1.0 1.5 2.0 2.5 3.0 Удельное влагосодержание (г/кг)

Температура (аС) Удельное влагосодержание (г/кг)

Рисунок А.33 - Усредненный вертикальный профиль температуры и удельного влагосодержания для атмосферного явления «Дождь»

- Среднее - Среднее +1а - Среднее -1о

\ N Ч \ ч \ ч \ \ \ \ V __

ч \ ч \ ч \ ч ч ч

ч ч \ ч \ ч \ V' ч \ ч \ V \ ч ч ч ч ч ^ ч

ч ч \ ч \ ч Ч \ \ ч \ ч \ ч \ ч ч ч

ч \ ч ч ч ч ч \ \ \ ч \ ч \ ч

ч Л ч \ \ \ ч \ \ \ \ V \ \ ч ч \ \ \ \

ч \ \ 1 \ \ , \ \ ^ л 4 * \ 4 4 \ 4

ч \ ч \ ч \ ч \ ч ч ч ч ч ч ч \\

Среднее - Среднее +1о - Среднее -1а

\ч 1\\

1 \ \ 1 \ * 1 \ ч

1 \ ^ 1 V 1 \ 1 \ 1 \ ч V ч ч ч

ч 4 1 \ ч ч ч Ч ч \ ч ч ч ч ч ч ■ч- ч ч ч ч ч

V \ ч ч ч ч \ ч ч ч

ч ч ч ч ч \ ч \ ч ч ч ч ч ч

ч ч ч ч N ч \ \ ч ч ч ч ч Ч ч

ч ч ч ч ч ч \ ч \ ч ч ч ч ч

-50

-40 -30 -20 -10 0 Температура ГС)

0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 Удельное влэгосодержэние (г/кг)

■40 -30 -20 -10 0 10 20 0 2 4 6 8 10 12

Температура ГС) Удельное влагосодержание (г/кг)

Рисунок А.35 - Усредненный вертикальный профиль температуры и удельного влагосодержания для атмосферного явления «Гроза»

-1-----1- —--------—

50 -40 -30 -20 -10 0 0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0

Температура СС) Удельное влагосодержание (г/кг)

Рисунок А.37 - Усредненный вертикальный профиль температуры и удельного влагосодержания для атмосферного явления «Морось»

Температура ¡°С) Удельное елагосодержание (г/кг)

-50 -40 -30 -20 -10 0 0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5

Температура (аС) Удельное влагосодержание (г/кг)

Рисунок А.39 - Усредненный вертикальный профиль температуры и удельного влагосодержания для атмосферного явления «Зерна снежные»

Температура (°0 Удельное влагосодержание (г/кг)

Индекс станции Название станции Матрица сопряженности Общая достоверность, %

Пц "12 "21 "22 "00

23966 Ванжиль-Кынак 8 0 4 0 12 67

29016 Прохоркино 6 0 1 0 7 86

29023 Напас 13 0 4 0 17 76

29037 Березовка 1 0 2 0 3 33

29111 Средний Васюган 17 0 12 0 29 59

29122 Каргасок 7 0 8 0 15 47

29128 Парабель 11 0 13 0 24 46

29149 Степановка 19 0 4 0 23 83

29154 Усть-Озерное 11 4 3 0 18 61

29203 Новый Васюган 16 0 4 0 20 80

29209 Майск 7 0 4 0 11 64

29224 Старица 9 14 5 2 30 37

29237 Подгорное 13 0 1 0 14 93

29247 Батурино 16 4 7 0 27 59

29313 Пудино 13 0 1 0 14 93

29328 Бакчар 11 17 3 7 38 47

29332 Молчаново 12 0 4 0 16 75

29348 Первомайское 10 19 4 4 37 38

29355 Тегульдет 8 14 0 0 22 36

29405 Кыштовка 8 0 4 0 12 67

29418 Северное 15 0 6 0 21 71

29430 Томск 13 9 2 5 29 62

29500 Усть-Тарка 5 0 2 0 7 71

29508 Венгерово 10 0 2 0 12 83

29524 Крещенка 12 15 6 6 39 46

29532 Кожевниково 7 2 3 4 16 69

29536 Юрга 8 13 6 8 35 46

29539 Болотное 10 17 0 7 34 50

29540 Яя 5 21 2 8 36 36

29541 Тайга 11 15 4 9 39 51

29548 Барзас 11 21 2 6 40 43

29552 Тяжин 4 15 4 1 24 21

29557 Тисуль 12 18 3 1 34 38

29602 Чаны 13 0 5 0 18 72

29605 Татарск 10 12 2 3 27 48

29613 Убинское 11 0 2 0 13 85

29624 Каргат 18 14 6 3 41 51

29625 Чулым 7 8 3 10 28 61

29626 Коченево 16 17 1 7 41 56

29631 Колывань 17 15 1 7 40 60

29632 Мошково 5 19 1 8 33 39

29636 Тогучин 6 25 2 5 38 29

29637 Учебная 12 9 4 8 33 61

29641 Топки 11 12 2 8 33 58

29644 Промышленная 12 24 1 7 44 43

29649 Крапивино 13 18 1 5 37 49

29654 Центральный рудник 23 0 0 0 23 100

29702 Чистоозерное 18 0 1 0 19 95

29706 Купино 10 0 3 0 13 77

29708 Баган 12 0 2 0 14 86

29712 Здвинск 7 0 3 1 11 73

29716 Довольное 12 18 1 7 38 50

29722 Ужаниха 13 17 4 6 40 48

29723 О.Дальний 7 10 5 7 29 48

29724 Кочки 18 10 2 3 33 64

29726 Ордынское 13 10 3 4 30 57

29730 Искитим 13 16 3 15 47 60

29735 Посевная 10 25 4 16 55 47

29736 Маслянино 14 26 2 13 55 49

29741 Красное 12 25 0 13 50 50

29745 Белово 6 29 2 14 51 39

29749 Киселевск им. Л.Р. и Н.А. 8 33 4 12 57 35

Петровых

29813 Краснозерск 14 11 1 11 37 68

29814 Карасук 9 0 2 0 11 82

29816 Хабары 12 15 6 8 41 49

29822 Камень-на-Оби 9 14 1 7 31 52

29823 Сузун 17 24 3 8 52 48

29827 Баево 10 29 3 7 49 35

29832 Тальменка 11 38 1 10 60 35

29836 Заринск 7 30 1 24 62 50

29837 Шелаболиха 14 27 0 17 58 53

29846 Спиченково (Новокузнецк) 0 26 0 13 39 33

29848 Тогул 8 24 4 13 49 43

29849 Кузедеево 12 14 6 12 44 55

29854 Междуреченск 11 0 0 0 11 100

29916 Благовещенка 12 8 8 5 33 52

29928 Мамонтово 8 27 3 11 49 39

29936 Троицкое 15 20 3 20 58 60

29937 Алейская 6 19 4 14 43 47

29939 Бийск-Зональная 17 27 5 13 62 48

29941 Целинное 23 27 7 7 64 47

29946 Кондома 1 0 0 0 1 100

29954 Таштагол 22 0 0 0 22 100

29955 Усть-Кабырза 18 0 0 0 18 100

36020 Родино 10 14 5 4 33 42

36021 Ключи 12 13 1 8 34 59

36022 Волчиха 17 19 0 12 48 60

36024 Кулунда 19 19 2 4 44 52

36028 Угловское 12 21 0 12 45 53

36032 Поспелиха 7 19 2 9 37 43

36033 Шипуново 5 18 1 12 36 47

36034 Рубцовск 10 24 0 9 43 44

36036 Краснощеково 15 17 0 9 41 59

36038 Змеиногорск 18 0 2 0 20 90

36041 Усть-Чарышская пристань 8 18 1 11 38 50

36044 Усть-Калманка 11 16 1 10 38 55

36045 Солонешное 21 0 2 0 23 91

36047 Чарышское 13 0 2 0 15 87

36055 Кызыл-Озек 17 0 3 0 20 85

36057 Шебалино 23 0 2 0 25 92

36058 Чемал 28 0 2 0 30 93

36061 Турочак 17 0 2 0 19 89

36213 Усть-Кан 11 0 5 0 16 69

36229 Усть-Кокса 21 0 4 0 25 84

36231 Онгудай 23 0 0 0 23 100

36237 Катанда 23 0 2 0 25 92

36259 Кош-Агач 6 0 0 0 6 100

36442 Кара-Тюрек имени Р.Я. Гесса 3 0 0 0 3 100

36443 Ак-Кем 3 0 0 0 3 100

Матрица сопряженности

Индекс станции Название станции Пц "12 "21 "22 П00 Общая достоверность, %

23966 В анжиль -Кынак 4 0 8 0 12 33

29016 Прохоркино 6 0 1 0 7 86

29023 Напас 10 0 7 0 17 59

29037 Березовка 0 0 3 0 3 0

29111 Средний Васюган 10 0 19 0 29 34

29122 Каргасок 5 0 10 0 15 33

29128 Парабель 8 0 16 0 24 33

29149 Степановка 18 0 5 0 23 78

29154 Усть-Озерное 11 4 3 0 18 61

29203 Новый Васюган 13 0 7 0 20 65

29209 Майск 6 0 5 0 11 55

29224 Старица 9 8 5 8 30 57

29237 Подгорное 11 0 3 0 14 79

29247 Батурино 10 2 13 2 27 44

29313 Пудино 12 0 2 0 14 86

29328 Бакчар 6 13 8 11 38 45

29332 Молчаново 9 0 7 0 16 56

29348 Первомайское 9 13 5 10 37 51

29355 Тегульдет 7 9 1 5 22 55

29405 Кыштовка 7 0 5 0 12 58

29418 Северное 15 0 6 0 21 71

29430 Томск 11 6 4 8 29 66

29500 Усть-тарка 4 0 3 0 7 57

29508 Венгерово 8 0 4 0 12 67

29524 Крещенка 9 10 9 11 39 51

29532 Кожевниково 6 1 4 5 16 69

29536 Юрга 6 5 8 16 35 63

29539 Болотное 10 10 0 14 34 71

29540 Яя 5 12 2 17 36 61

29541 Тайга 9 8 6 16 39 64

29548 Барзас 7 10 6 17 40 60

29552 Тяжин 2 11 6 5 24 29

29557 Тисуль 8 13 7 6 34 41

29602 Чаны 12 0 6 0 18 67

29605 Татарск 8 5 4 10 27 67

29613 Убинское 10 0 3 0 13 77

29624 Каргат 14 7 10 10 41 59

29625 Чулым 6 5 4 13 28 68

29626 Коченево 15 10 2 14 41 71

29631 Колывань 13 9 5 13 40 65

29632 Мошково 3 13 3 14 33 52

29636 Тогучин 5 15 3 15 38 53

29637 Учебная 9 6 7 11 33 61

29641 Топки 8 6 5 14 33 67

29644 Промышленная 11 12 2 19 44 68

29649 Крапивино 10 9 4 14 37 65

29654 Центральный рудник 22 0 1 0 23 96

29702 Чистоозерное 12 0 7 0 19 63

29706 Купино 9 0 4 0 13 69

29708 Баган 11 0 3 0 14 79

29712 Здвинск 5 0 5 1 11 55

29716 Довольное 9 14 4 11 38 53