logo
calendar11 Iyun 2024
view29
Main language:Russian

LONG-TERM TEMPERATURE FORECAST USING ENSEMBLE OF RECURRENT AND AUTOREGRESSIVE NEURAL NETWORKS

Field of Science:
pdf

6667e9dd87b7d.pdf

PDF

Hydrometeorology and environmental monitoring

Hydrometeorology and environmental monitoring

Publish Articlesee more

ARTICLE ANNOTATION

quote
Forecasting is one of the most important elements of modern information technologies for decision-making in management. The effectiveness of a decision is evaluated by the events that occurred after the fact. Therefore, the prognostic assessment of an event is a certain decision-making criterion. The long-term short-term memory model (LSTM) under consideration assumes the dependence of the current value of y(t) as a function of a certain set of vectors (predictors) of past values. This article solves the problem of surface temperature forecasting from reconstructed, time-ordered data, using current data on surface air temperature. The influence of the number of neurons in the hidden layer on the quality of the forecast is estimated. The method of combined (hybrid) forecasting models using an ensemble of neural network models is used. The estimates of the developed prognostic model of surface air temperature turned out to be quite high, which makes it possible to use ensembles of neural network models in the operational work of hydrometeorological services in the problem of long-term forecasting of surface air temperature.

AUTHORS

M.Arushanov

Научно-исследовательский гидрометеорологический институт

X.Umerov

Научно-исследовательский гидрометеорологический институт

Tags

# модели прогнозирования# рекуррентные нейронные сети# нелинейные авторегрессионные ней# нейронные сети длинной кратковре# приземная температура# среднеквадратичная ошибка# ансамбли моделей.# прогнозлаш моделлари# рекуррент нейрон тармоқлар# ночизиқли авторегрессив нейрон т# қисқа муддатли катта хотира нейр# ер усти ҳарорати# ўртача квадрат хато# моделлар ансамбллари.# forecasting models# recurrent neural networks# non-linear autoregressive neural# neural networks with long short-# surface temperature# root mean square error# ensembles of models.

OTHER ARTICLES IN THIS JOURNAL

Rate Article

0
0 ratings
5
4
3
2
1

Article Identifiers

ROI:

https://eroi.uz/11.0191/A0624-0012

DOI:

Not Available

References

Арушанов М.Л. Предикторы погоды на длительные сроки. – Hamburg: Lambert Academic Publishing (LAP), 2014. – 139 с.

Абдусаматов Х.И. О долговременных скоординированных вариациях активности, радиуса, светимости Солнца и климата / Тр. межд. конф. «Солнечная активность и космические лучи после смены знака полярного магнитного поля Солнца».  C-Пб. 2002. С. 13-18.

Абдусаматов Х.И. Солнце определяет климат // Наука и жизнь.  2009. №1.  C. 34-40.

Володин Е.М., Дианский Н.А., Гусев А.В. Воспроизведение современного климата с помощью моделей общей циркуляции атмосферы и океана INMC 4.0 // Известия РАН. Физика атмосферы и океана. – 2010. Том 46, № 4. – C. 448-466.

Замолодчиков Д.Г. Прогноз роста глобальной температуры в XXI веке на основе простой статистической модели // Компьютерные исследования и моделирование. – 2016. Том 8, № 2. – С. 379-390.

79-390. Медведев В.С., Потемкин В.Г. Нейронные сети. MATLAB 6. – М.: ДИАЛОГ-МИФИ. – 2001. – 630 c.

Шагалова П.А., Ляхманов Д.А. Нейросетевые технологии в решении задач прогнозирования // Современные проблемы науки и образования. – 2014. № 6. – С. 6-13.

Abdusamatov H.I. About the long-term coordinated variations of the activity, radius, total irradiance of the Sun and the Earth’s climatic / Proc. IAU Symposium №223. Cambridge: Univ. press. – 2004. – PР. 541-542.

Arushanov M.L. The natural reasons of change of a climate of a planet. – Hamburg: LAMBERT Aacademic Publishing (LAP), – 2012. – 170 p.

Hantemirov R.M., Corona C., Guillet S., Shiyatov1 S.G., Stoffel M., Osborn T.J., Melvin T.M., Gorlanova L.A. Kukarskih V.V., Surkov1 A.Y., Arx G., Fonti P. Current Siberian heating is unprecedented during the past seven millennia //Nature Communications,– 2022. №3. – РР. 3-10.

Электронные ресурсы: Ефименко Г.А., Синица А.М. Нейронные сети в MatLab. URL: https://digiratory.ru/508 LSTM – Long Short-Term Memory Networks. URL: https://se.mathworks.com/help/deeplearning/ug/long-short-term-memory-networks.html