Применение методов машинного обучения для идентификации ПМЦ в данных численного моделирования атмосферы

Полярные мезомасштабные циклоны (ПМЦ) — это интенсивные атмосферные вихри небольшого размера, формирующиеся над океаном к северу от основной бароклинной зоны. ПМЦ являются опасным метеорологическим явлением и представляют угрозу для морской инфраструктуры, а также оказывают влияние на глубокую конвекцию океана. Сейчас существует два основных метода идентификации ПМЦ - на спутниковых снимках и в данных численного моделирования атмосферы, однако оба метода имеют ряд недостатков. В том числе идентификация ПМЦ в данных численного моделирования осложнена отсутствием объективных критериев для детекции ПМЦ. В работе предложен новый метод выбора наиболее значимых критериев для идентификации мезомасштабных циклонов. На всех доступных критериях из литературы были обучены четыре модели классического машинного обучения, после чего был проведен отбор признаков и оценка значимости каждого из них в разных моделях. Основным результатом проведенного исследования можно считать вывод о том, что самыми значимыми признаками являются: индекс холодных вторжений на 500 гПа, разница между температурой на высоте 700 гПа и на уровне моря, завихренность на 850 гПа и давление на уровне моря. Эти признаки были выбраны как наиболее значимые при анализе большинства моделей МО, и их состав хорошо согласуется с физическим аспектом идентификации мезомасштабных циклонов. В работе использовался ретроспективный анализ RAS NAAD и спутниковые календари ПМЦ. Обучение моделей машинного обучения и анализ данных численного моделирования атмосферы проведены с помощью языка программирования python.