аспирант физико-математических наук;
graduate student of physical and mathematical sciences;
кандидат физико-математических наук;
candidate of physical and mathematical sciences;
В работе демонстрируется влияние расположения измерителей на точность оперативного прогноза состояния Мирового океана. Проводится сравнение различных методов расстановки измерителей, в том числе расстановка, полученная методом Concrete Autoencoder (CA). Для оценки влияния расположения датчиков на точность прогноза проводилось моделирование, имитирующее ситуацию, когда начальное состояние Мирового океана заметно отличается от реального. В эксперименте заменялись начальные условия для модели океана и льда, при этом атмосферный форсинг сохранялся из контрольного эксперимента. Затем производилось интегрирование модели с усвоением данных об «истинном» состоянии в точках расположения сенсоров. Результаты показали, что расстановка сенсоров, полученная при помощи методов глубокого обучения, превосходит в точности прогноза другие рассмотренные расстановки при сопоставимом числе сенсоров.
The paper examines the impact of sensor placement on the accuracy of the Global ocean state forecasting. A comparison is made between various sensor placement methods, including the arrangement obtained by the Concrete Autoencoder method. To evaluate how sensor placement affects forecast accuracy, a simulation was conducted that emulates a scenario where the initial state of the global ocean significantly deviates from the ground truth. In the experiment, initial conditions for the ocean and ice model were altered, while atmospheric forcing was retained from the control experiment. Subsequently, the model was integrated with the assimilation of data about the ground truth state at the sensor locations. The results showed that the sensor placement obtained using deep learning methods is superior in forecast accuracy to other considered arrays with a comparable number of sensors.