Введение
Глубокие нейронные сети стали популярными в различных областях, включая компьютерное зрение, обработку естественного языка, медицину и финансы. Они также применяются в промышленности и показывают выдающиеся результаты в распознавании образов, машинном переводе и распознавании речи. В науке о Земле они используются для распознавания типов облаков, определения типа почвенного покрова по данным ДЗЗ, обнаружения изменений в землепользовании и прогнозирования осадков. В гидрологии они используются для извлечения релевантной информации из данных дистанционного зондирования, моделирования динамики гидрологических величин, моделирования управления водными ресурсами и временных распределений гидрологических величин. История развития и применения искусственных нейронных сетей полна взлетов и падений, больших надежд и разочарований. Одним из самых известных ранних трудов в области нейросетей является работа Уоррена Мак-Калоха и Уолтера Питтса "A Logical Calculus of Ideas Immanent in Nervous Activity", опубликованная в 1943 году, в которой была представлена модель искусственных нейронов, являющаяся прародителем современных нейронных сетей. Кроме того, в 1958 году Фрэнк Розенблатт представил модель перцептрона, первой нейронной сети для обучения с учителем. Эти работы стали базой для развития нейросетей впоследствии.
Методология
До конца 1960-х годов исследования в области искусственных нейронных сетей находились в стадии активного развития. Одним из ключевых моментов этого периода стала статья Розенблатта (1958), в которой он предложил решение задачи бинарной классификации на основе линейного перцептрона и ввел понятие "обучения" нейронной сети. Однако, после выхода книги Мински и Пейперта "Перцептроны" в 1969 году, интерес к нейронным сетям временно снизился. В СССР одним из самых преданных сторонников подхода, предложенного Розенблаттом, был Алексей Григорьевич Ивахненко. Его научный интерес к самоорганизующимся системам проявился еще в 1950-е годы, и в 1959 году он успешно создал и протестировал свою собственную версию перцептрона - машину "Альфа". Важным достижением Ивахненко стало создание и развитие "Метода группового учета аргументов" (МГУА), одного из первых в истории алгоритмов глубокого обучения. Уже в начале 1970-х годов Ивахненко и его коллеги смогли обучать восьмислойные нейронные сети. Первая нейронная сеть в России, известная как "Анализатор Ищенко-Шестопалова", была разработана и создана в 1960-х годах Иваном Михайловичем Ищенко и Юрием Михайловичем Шестопаловым в Институте точной механики и вычислительной техники (ныне Институт управления им. В.А. Трапезникова РАН) в Москве. Эта нейронная сеть была предназначена для решения задач классификации и распознавания образов и успешно справлялась с задачами, которые не могли быть решены традиционными методами компьютерной обработки данных. С тех пор в России было создано множество других нейросетей, и сегодня страна является одним из лидеров в области искусственного интеллекта и нейронных сетей. Многие из этих нейросетей активно используются в различных областях, включая медицину, финансы, транспорт, образование и телекоммуникационный рынок.
Результаты
Вторая волна интереса к нейронным сетям связана с классическими работами Румельхарта, Хинтона и Уильямса [1]. Глубокие нейронные сети нашли свое применение для решения гидрологических задач с еще большим опозданием, чем в науках о Земле в целом (рис.1) [2,3]. Так, в своем обзоре Шен выделяет три области, в которых глубокие нейронные сети продемонстрировали свою высокую эффективность: (1) извлечение релевантной гидрологической информации из данных дистанционного зондирования [4], (2) моделирование динамики гидрологических величин [5], (3) моделирование и генерация сложных пространственных и временных распределений гидрологических величин [6,7,8]. Рисунок 5 – Популярность запроса «Глубокие нейронные Сети в «науки о Земле» по регионам России поисковой системе Google по данным сервиса Google Trends (Trends.google.com, 2023-11)
Результаты
Таким образом, в настоящее время мы наблюдаем лавинообразный рост интереса гидрологического сообщества к глубоким нейронным сетям. Этот факт подтверждается и данными о количестве опубликованных научных работ в России в области исследования водных ресурсов, которые представлены в научной электронной библиотеке Elibrary (рис. 2). Рисунок 6 – Общее количество опубликованных научных работ в электронной научной библиотеке Elibrary "Глубокие нейронные сети в гидрологии", входящих в область исследований "Водные ресурсы" Взаимосвязь между осадками и стоком является одним из самых сложных гидрологических явлений, что объясняется огромной пространственной и временной изменчивостью характеристик водосбора и режима выпадения осадков, а также количеством переменных, участвующих в моделировании физического процесса. Хотя гидрологи занимаются моделированием процессов дождевого стока с середины XIX века, только в последнее десятилетие для решения этой задачи стали применять модели искусственных нейронных сетей (ИНС). Этот интерес был вызван сложной природой гидрологических систем и способностью ИНС моделировать нелинейные взаимосвязи. По сути, ИНС являются полупараметрическими регрессионными оценками и хорошо подходят для гидрологического моделирования, поскольку они могут приблизить практически любую (измеряемую) функцию до произвольной степени точности. Появление технологии нейронных сетей обеспечило многообещающие результаты в области гидрологии и моделирования водных ресурсов [9, 10].
Обсуждение
В данной работе представлен разработанный автором алгоритм: «Алгоритм моделирования максимального количества осадков ЦЧР России с помощью нейронных сетей», который предназначен специалистов гидрологии и гидрометеорологии с целью ускорения процесса прогноза осадков на территории Российской Федерации, не снижая качества проведения анализа. Прогнозирование количества ежедневных осадков повышает производительность сельского хозяйства. Неустойчивое распределение осадков в стране влияет на сельское хозяйство, от которого зависит экономика страны. В стране следует планировать и практиковать разумное использование дождевой воды, чтобы свести к минимуму проблему засухи и наводнения, произошедших в стране. Алгоритм моделирования максимального количества осадков ЦЧР России с помощью нейронных сетей представлен в виде блок-схемы (рис 3). Рисунок 3 – Блок-схема алгоритма моделирования максимального количества осадков с помощью нейронных сетей Представление нейронной сети с прямолинейным движением с использованием Keras: 1. Входной слой: Слой, принимающий входные данные (определение входных признаков, таких как температура, осадки и т.д.)
Обсуждение
В данной работе представлен разработанный автором алгоритм: «Алгоритм моделирования максимального количества осадков ЦЧР России с помощью нейронных сетей», который предназначен специалистов гидрологии и гидрометеорологии с целью ускорения процесса прогноза осадков на территории Российской Федерации, не снижая качества проведения анализа. Прогнозирование количества ежедневных осадков повышает производительность сельского хозяйства. Неустойчивое распределение осадков в стране влияет на сельское хозяйство, от которого зависит экономика страны. В стране следует планировать и практиковать разумное использование дождевой воды, чтобы свести к минимуму проблему засухи и наводнения, произошедших в стране. Алгоритм моделирования максимального количества осадков ЦЧР России с помощью нейронных сетей представлен в виде блок-схемы (рис 3). Рисунок 3 – Блок-схема алгоритма моделирования максимального количества осадков с помощью нейронных сетей Представление нейронной сети с прямолинейным движением с использованием Keras: 1. Входной слой: Слой, принимающий входные данные (определение входных признаков, таких как температура, осадки и т.д.)
Выводы
Представленный алгоритм работы с нейронными сетями для решения задач моделирования максимального количества осадков позволяет планировать и практиковать грамотное использование дождевой воды, чтобы свести к минимуму проблему засухи и наводнения, произошедших в стране.