Ученые из Томска собрали базу данных об облаках, чтобы проанализировать их по методу ЦЕРН

ТОМСК, 29 марта. /ТАСС/. Базу данных об облаках в верхних слоях атмосферы собрали ученые Томского государственного университета (ТГУ) с помощью лидара - уникальной экспериментальной установки РФ. Эту информацию можно будет использовать для прогнозирования погоды и климата - для ее анализа планируется использовать машинное обучение и искусственный интеллект по методу экспериментов на Большом адронном коллайдере, сообщили ТАСС в среду в пресс-службе вуза.

Отмечается, что в ТГУ с 2009 года регулярно выполняют эксперименты по зондированию облаков верхнего яруса на уникальной в России экспериментальной установке - лидаре. Он применяется для дистанционного определения оптических и микрофизических характеристик аэрозольных образований в атмосфере. Изучение этих частиц помогает решать научно-исследовательские задачи, в частности для понимания влияния их свойств на климат.

"На основании масштабного анализа аэрологических и лидарных данных на территории Западной Сибири, а также последующего восстановления метеовеличин с использованием реанализа была создана новая маркированная база данных. Она включает результаты лидарных исследований атмосферы и вертикальные профили метеорологических величин для высот от 0 до 15 км. Сформированная база данных является уникальной и может быть использована для решения различных атмосферных задач посредством обучения алгоритмов", - приводятся слова руководителя проекта Олеси Кучинской.

Эта база включает в себя результаты исследований на лидаре за 2009-2023 годы, данные сети аэрологических станций Сибири и данные реанализа ERA5 Европейского центра среднесрочных прогнозов погоды. Для анализа этого массива данных ученые решили использовать опыт, который они приобрели во время участия в экспериментах на Большом адронном коллайдере. Применяемые в ЦЕРН методы анализа сверхбольших массивов данных будут адаптированы физиками к задачам изучения атмосферы.

"Такие методы, в особенности с использованием нейронных сетей, способны в ряду квазициклических данных учитывать скрытые периодичности и строить алгоритмы обработки информации. То есть машинное обучение задает уникальную способность обучаться на примерах, узнавать в потоке "зашумленной" и противоречивой информации характер ранее встреченных образов и ситуаций", - сказано в сообщении.

По словам ученых, это важно для прогнозирования количественных и качественных характеристик атмосферы, обусловленных региональными, природными, антропогенными и климатическими особенностями территорий. Работа ведется в рамках молодежного гранта Российского научного фонда.