Central Asian Research Index

Международный Журнал Теоретических и Прикладных Вопросов Цифровых Технологий, 2025, т. 8, № 3, с. 130-141

Интеграция методов машинного обучения в Лагранжево-частичные модели атмосферного переноса

Р.Т. Туркменова

Аннотация · Abstract

Данная статья систематизирует способы интеграции методов машинного обучения в лагранжево-частичные модели атмосферного переноса (LPDM: FLEXPART, HYSPLIT, STILT, NAME), рассматривая ИИ как физически согласованную надстройку, а не замену базовой модели. Выделены четыре основные линии: (1) physics-informed суррогаты параметризаций (прежде всего для ПС/вертикальной диффузии и влажного удаления), (2) снижение дисперсии стохастических оценок и ускорение Монте-Карло (важностное семплирование, control variates), (3) пост-коррекция смещений и вероятностная калибровка ансамблей (EMOS/quantile mapping) с использованием корректных правил (CRPS, reliability), (4) массо-сохраняющее супер-разрешение выходных полей без пересчёта траекторий. Отдельно рассмотрены инверсные задачи на матрицах следов (байесовские, вариационные и ансамблевые подходы) и требования к наблюдательным сетям. Методологическая часть включает формализованную процедуру поиска литературы (2000–2025; WoS/Scopus/Scholar) и принципы воспроизводимости (фиксированный метеоввод, протоколы отчётности). Показано, что устойчивость эффектов ИИ определяется двумя дисциплинами: физическими инвариантами (масса, well-mixed, неотрицательность) и методической строгостью (метрики RMSE/корреляция/CSI-POFD/CRPS, reliability-диаграммы). Предложен «минимально достаточный» практический конвейер: фиксировать метеофон (ERA5/WRF или GDAS/GFS) и конфигурации LPDM; подключать массосохраняющие корректоры и вероятностную калибровку; использовать SR-модуль с контролем суммарной массы; при необходимости -PI-суррогаты для ночных режимов ПС и обязательную валидацию на реальных эпизодах.

Сведения · Details