Оценка максимального размера града по термодинамическим параметрам атмосферы методами нейросетевого моделирования

Градобития наносят значительный ущерб экономике, особенно в аграрном секторе. Однако прогнозирование града осуществляется с недостаточной точностью. Затруднения встречает и определение размера града, который напрямую влияет на величину ущерба. Данное исследование направлено на оценку максимального размера града на основе метеорологических параметров атмосферы. Для этого подбирались данные о максимальном размере града, зафиксированные Ставропольской военизированной службой по борьбе с градом, и соответствующие им температура, влажность, направление и скорость ветра на стандартных изобарических уровнях из глобальной модели атмосферы, как замена результатов аэрологического зондирования. Исследование основывалось на методах нейросетевого моделирования, где зависимой переменной является диаметр выпавшего града, а независимыми переменными выступают атмосферные параметры. Среда SPSS позволила автоматически выбрать нейронную модель, состоящую из одного слоя с четырьмя нейронами. По результатам исследования ошибки на обучающей и тестовой выборках оказались одинаковыми, что указывает на адекватность модели. Дополнительные критерии оценки её качества, такие как диаграммы прогнозов и остатков, также подтвердили адекватность модели. Установлено, что 65 % вариации максимального размера града объясняется разработанной моделью. Ключевыми параметрами атмосферы, влияющими на максимальный размер града, оказались: индекс неустойчивости Джорджа, температура на уровне конвекции, уровень, на котором разница температур в облаке и окружающей среде достигает максимума, а также средний дефицит влажности в слое выше уровня конденсации на высоте 5 км. Было сделано заключение, что предложенная нейросетевая модель оценки размера града может эффективно применяться службами, занимающимися борьбой с градом.

1. Абшаев А. М. [и др.] Руководство по организации и проведению противоградовых работ / А. М. Абшаев, М. Т. Абшаев, М. В. Барекова, А. М. Малкарова. Нальчик: Печатный двор, 2014. 508 c.

2. Кагермазов А. Х. Цифровая атмосфера. Современные методы и методология исследования опасных метеорологических процессов и явлений. Нальчик: Печатный двор, 2015. 215 с.

3. Кагермазов А. Х. , Созаева Л. Т. Валидация выходных данных глобальной модели атмосферы по данным аэрологического зондирования с нарастающей заблаговременностью // Наука. Инновации. Технологии. 2020. № 4. С. 137–148.

4. Кагермазов А. Х. , Созаева Л. Т. Использование глобальной модели атмосферы (GFS NCEP) для прогноза грозоградовых процессов с заблаговременностью до пяти суток // Гидрометеорология и экология. 2021. № 65. С. 671–680 https://doi.org//10.33933/2713-3001-2021-65-671-680

5. Пишем свою нейросеть: пошаговое руководство [Электронный ресурс]. URL: https://proglib.io/p/neural-nets-guide (дата обращения: 1.08.2025).

6. Хайкин С. Нейронные сети: полный курс, 2-е издание: Пер. с англ. М.: Вильямс, 2006. 1104 с.

7. Aggarwal C. C. Neural Networks and Deep Learning: A Textbook. Springer, 2023. 541 p.

8. Climate change is showing its claws: The world is getting hotter, resulting in severe hurricanes, thunderstorms and floods [Electronic resource]. URL: https://www.munichre.com/en/company/media-relations/media-information-and-corporatenews/media-information/2025/natural-disaster-figures-2024.html. (accessed: 2.08.2025).

9. Dueben P., Wedi N., Saarinen S., Zeman C. Global simulations of the atmosphere at 1.45 km grid-spacing with the integrated forecasting system // Journal of the Meteorological Society of Japan. 2020. Vol. 98. No 3. Р. 551–572.

10. Dzombak B. Severe hailstorms are costly and hard to predict // Eos. 2021. № 102. https://doi.org/10.1029/2021EO158268

11. Haiden T., Janousek M., Vitart F., Ferranti L., Prates F. Evaluation of ECMWF forecasts, including the 2019 upgrade // ECMWF Technical Memorandum. 2019. No 853.

12. IBM SPSS Statistics 27. Neural Networks. [Electronic resource]. URL: https://www.ibm.com/docs/ru/spss-statistics/27.0.0/ (accessed: 4.08.2025).

13. National Centers for Environmental Prediction [Electronic resource]. URL: https://www.emc.ncep.noaa.gov/ (accessed: 4.08.2025).

14. Raupach T. H., Martius O., Allen J. T. et al. The effects of climate change on hailstorms // Nat Rev Earth Environ. 2021. No 2. P. 213–226. https://doi.org/10.1038/s43017-020-00133-9

15. Wellmann C. et al. Comparing the impact of environmental conditions and microphysics on the forecast uncertainty of deep convective clouds and hail // Atmos. Chem. Phys. 2020. № 20. Р. 2201–2219.