Abstract
Основными парниковыми газами являются озон и газовые составляющие озоновых циклов. Оперативное определение профилей концентраций озона осуществляется лидарными методами, что ограничивает количество получаемых измерений. Методы машинного обучения могут быть использованы как для построения предсказательных моделей данных, так и для их аппроксимации. В данной работе изучается возможность генерации данных для построения робастных предсказательных моделей профилей концентрации озона на основе генеративных состязательных нейронных сетей. Кроме того, предлагается архитектура многослойного персептрона для решения задачи восстановления профиля концентрации озона по лидарным данным.
Reference9 articles.
1. Weitkamp C. Lidar: range resolved optical remote sensing of the atmosphere. – New York: Springer - Verlag New York, 2005. – 456 p.
2. Матвиенко Г.Г., Балин Ю.С., Бобровников С.М., Романовский О.А., Коханенко Г.П., Самойлова С.В., Пеннер И. Э., Горлов Е.В., Жарков В.И., Садовников С.А., Харченко О.В., Яковлев С.В., Баженов О.Е., Бурлаков В.Д., Долгий С.И., Макеев А.П., Невзоров А.А., Невзоров А.В. Сибирская лидарная станция: аппаратура и результаты / Томск: Изд-во ИОА СО РАН, 2016. – 440 с.
3. Sugita T. et al. Comparison of ozone profiles from DIAL, MLS, and chemical transport model simulations over Río Gallegos, Argentina, during the spring Antarctic vortex breakup, 2009 //Atmospheric Measurement Techniques. – 2017. – Т. 10. – №. 12. – С. 4947-4964.
4. Бобровников С. М. и др. Лидарный спектроскопический газоанализ атмосферы //Томск: Изд-во ИОА СО РАН. – 2014.
5. Долгий С. И. и др. Лидар для измерения вертикального распределения озона в атмосфере //Известия Томского политехнического университета. Инжиниринг георесурсов. – 2019. – Т. 330. – №. 6. – С. 28-40.