Вестник УлГТУ

Cite. Lebedev D.O., Romanov A.A. Development and research of methods for classifying territories according to precipitation intensity. 106(2), 52-56 (2024).

Abstract. The article describes the implementation of the weather classification service in the territory and the use of a deep neural network to solve the classification problem. It is noted that deep neural networks have a high efficiency index with a fairly complete set of training data. The deep neural network model is based on data that was received from the ERA-5 satellite, the data consists of 11 parameters such as latitude, longitude, time, wind components, temperature, pressure and others. The analysis of the existing methods of weather classification is also carried out. The article describes the application of a deep neural network in the context of weather forecasting, and also includes consideration of the importance of having a sufficient amount of training data for the successful application of machine learning methods.

Keywords: precipitation, neural network, territory classification, earth's atmosphere, weather forecast.

Цитата. Лебедев, Д.О. Разработка и исследование методов классификации территории по интенсивности выпадения осадков / Д.О. Лебедев, А.А. Романов // Вестник Ульяновского государственного технического университета. 2024. №2 (106). С. 52‒56.

Аннотация. Описывается реализация сервиса классификации погоды на территории и применение глубокой нейронной сети для решения задачи классификации. Отмечено, что глубокие нейронные сети имеют высокий показатель эффективности при достаточно полном наборе обучающих данных. Модель глубокой нейронной сети строится на данных, которые были получены со спутника ERA-5, данные состоят из 11 параметров, таких как широта, долгота, время, компоненты ветра, температура, давление и другие. Также производится анализ существующих методов классификации погоды. Статья описывает применение глубокой нейронной сети в контексте прогноза погоды, а также включает в себя рассмотрение важности наличия достаточного объёма обучающих данных для успешного применения методов машинного обучения.

Ключевые слова: осадки, нейронная сеть, классификация территории, земная атмосфера, прогноз погоды.

DOI: 10.61527/1684-7016-2024-2-52-56