RT - article
SR - Electronic
T1 - Коррекция ошибок мезомасштабного численного прогноза погоды методами машинного обучения
JF - Природопользование
SP - 2026-03-22
A1 - Лысенко С. А., 
A1 - Юдыцкая К. С., 
YR - 2025
UL - https://www.academjournals.by/publication/20771
AB - Проанализированы метрики успешности краткосрочных численных прогнозов погоды для территории Беларуси на основе мезомасштабной гидродинамической модели атмосферы WRF (Weather Research and Forecasting) с регионально адаптированным блоком моделирования подстилающей поверхности. Оценена эффективность коррекции систематических ошибок численных прогнозов приземных метеопараметров с применением метода экспоненциально взвешенного скользящего среднего и фильтра Калмана.Предложен метод повышения оправдываемости мезомасштабных численных прогнозов, в котором поправки к прогностическим полям метеопараметров вычисляются с использованием моделей машинного обучения, а предикторами выступают прогнозы нескольких глобальных и региональных гидродинамических моделей атмосферы. Проведен сравнительный анализ эффективности коррекции численных прогнозов с применением моделей машинного обучения (XGBoost и ElasticNet) и рекуррентной графовой нейронной сети с механизмом внимания (TGCN-A).Показано, что за счет более точного описания в модели WRF подстилающей поверхности и предварительной обработки ее выходной продукции методом экспоненциально взвешенного скользящего среднего оправдываемость численных прогнозов температуры на сроки до 48 ч повышается на 1,0–4,4 %, а среднеквадратическая погрешность скорости ветра уменьшается на 0,1–0,2 м/c. Последующая коррекция прогнозов модели WRF с применением методов машинного обучения и нейронной сети дополнительно повышает оправдываемость численного прогноза температуры в среднем на 3,2 %, а также уменьшает среднеквадратические погрешности прогнозов приземного давления и скорости ветра на 0,20–0,74 гПа и 0,32–0,53 м/c соответственно.