АСТРОФИЗИЧЕСКИЙ БЮЛЛЕТЕНЬ, 2024, том 79, № 2, страницы 350–360
АНАЛИЗ РЕЗУЛЬТАТОВ ИЗМЕРЕНИЙ АСТРОКЛИМАТА В МИЛЛИМЕТРОВОМ ДИАПАЗОНЕ ДЛИН ВОЛН С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ
© 2024
Т. А. Хабарова1,2*, П. М. Землянуха1, Е. М. Домбек2,1, А. С. Марухно3, В. Ф. Вдовин1,3,2
1Институт прикладной физики РАН, Нижний Новгород, 603950 Россия
2Нижегородский государственный университет им. Н. И. Лобачевского, Нижний Новгород, 603950 Россия
3Специальная астрофизическая обсерватория РАН, Нижний Архыз, 369167 Россия
*E-mail: t.habarova@ipfran.ru
2Нижегородский государственный университет им. Н. И. Лобачевского, Нижний Новгород, 603950 Россия
3Специальная астрофизическая обсерватория РАН, Нижний Архыз, 369167 Россия
*E-mail: t.habarova@ipfran.ru
УДК 520.16-17
Поступила в редакцию 1 сентября 2023 года; после доработки 28 ноября 2023 года; принята к публикации 18 декабря 2023 года
В настоящей работе представлен метод оценки осаждаемого водяного пара по радиометрическим данным при помощи методов машинного обучения. Приведены результаты исследования осажденного водяного пара для территорий селения Чираг (Дагестан), пика Терскол (Приэльбрусье), обсерватории «Бадары» (Бурятия) и архипелага Шпицберген. Проведен сравнительный анализ оценки осаждаемого водяного пара для территории «Бадар» по данным GNSS, MERRA-2, радиометра водяного пара и прогнозирования значений с помощью методов машинного обучения на основе данных микроволнового радиометра МИАП-2.
Ключевые слова:
миллиметровая астрономия — методы: анализ данных
ФинансированиеСписок литературы
Работа выполнена при поддержке гранта Российского научного фонда (грант РНФ № 23-22-00373).
Список литературы
1. B. Asadi and H. Jiang, arXiv e-prints cs:2002.04060v1 (2020).
2. Y. Y. Balega, D.-S. Bataev, G. Bubnov, et al., Doklady Physics, 67, 1 (2022).
3. L. Bolbasova and V. Lukin, Atmospheric and Oceanic Optics 35 (3), 288 (2022). DOI:10.1134/S1024856022030022
4. G. Bubnov, https://zenodo.org/records/4973548 (2021). DOI:10.5281/zenodo.5223928
5. G. Bubnov, P. Zemlyanukha, E. Dombek, and V. Vdovin, J. Physics: Conf. Ser., 2015, id. 012024 (2021). DOI:10.1088/1742-6596/2015/1/012024
6. G. M. Bubnov, V. F. Grigorev, V. F. Vdovin, et al., in Proc. 30th International Symposium on Space Terahertz Technology (ISSTT 2019), Gothenburg, Sweden, 2019, pp. 143–148.
7. G. M. Bubnov, V. F. Vdovin, V. Y. Bukov, et al., in Proc. 2017 XXXIInd General Assembly and Scientific Symposium of the International Union of Radio Science (URSI GASS), Montreal, Canada, 2017, p. 186. DOI:10.23919/URSIGASS.2017.8105000
8. I. Bubukin, I. Rakut, M. Agafonov, et al., Radiophysics and Quantum Electronics 65 (10), 719 (2023). DOI:10.1007/s11141-023-10252-0
9. B. T. Chicho and A. B. Sallow, Journal of Soft Computing and Data Mining 2 (2), 49 (2021). DOI:10.30880/jscdm.2021.02.02.005
10. T. Cover and P. Hart, IEEE Transactions on Information Theory 13 (1), 21 (1967). DOI:10.1109/TIT.1967.1053964
11. Global Modeling and Assimilation Office (GMAO): MERRA-2 inst1_2d_int_Nx: 2d, 1-Hourly, Instantaneous, Single-Level, Assimilation, Vertically Integrated Diagnostics V5.12.4, Greenbelt, MD, USA, Goddard Earth Sciences Data and Information Services Center (GES DISC) (2015). DOI:10.5067/G0U6NGQ3BLE0
12. S. Hochreiter and J. Schmidhuber, Neural Computation 9, 1735 (1997). DOI:10.1162/neco.1997.9.8.1735
13. L. Huang, Z. Mo, L. Liu, et al., Earth and Space Science 8 (5), e2020EA001516 (2021). DOI:10.1029/2020EA001516
14. A. Hyv ¨arinen and E. Oja, Neural Networks 13 (4), 411 (2000). DOI:10.1016/S0893-6080(00)00026-5
15. G. Ilin, V. Bykov, V. Stempkovsky, and A. Shishikin, Transactions of IAA RAS, 27 210 (2013).
16. V. Khaikin, A. Y. Shikhovtsev, V. Shmagin, et al., Zhurnal Radioelektroniki: Journal of Radio Electronics 7, 1684 (2022). DOI:10.30898/1684-1719.2022.7.9
17. A. G. Kislyakov and K. S. Stankevich, Radiophysics and Quantum Electronics 10 (9-10), 695 (1967). DOI:10.1007/BF01031599
18. O. Kramer, Machine Learning for Evolution Strategies: Studies in Big Data (Springer International Publishing, Switzerland, 2016), pp. 45–53. DOI:10.1007/978-3-319-33383-0
19. P. R. Merrifield, American Educational Research Journal 6 (3), 449 (1969). DOI:10.3102/00028312006003449
20. J. Milli, R. Gonzalez, P. R. Fluxa, et al., arXiv e-prints astro-ph/1910.13767 (2019). DOI:10.48550/arXiv.1910.13767
21. V. Nosov, O. Bolshakov, G. Bubnov, et al., Instruments and Experimental Techniques 59, 374 (2016). DOI:10.1134/S0020441216020111
22. V. E. Panchuk and V. L. Afanasiev, Astrophysical Bulletin 66 (2), 233 (2011). DOI:10.1134/S199034131102009X
23. L. Prechelt, Neural Networks: Tricks of the Trade (Springer Berlin, Heidelberg, 1998), p. 55. DOI:10.1007/3-540-49430-8_3
24. N. Ruzhentsev and A. Mihailov, Natural Science 2 427 (2010). DOI:10.4236/ns.2010.25052
25. X. Shi, Z. Chen, H. Wang, et al., arXive-prints astro-ph/1506.04214 (2015). DOI:10.48550/arXiv.1506.04214
26. A. Y. Shikhovtsev, V. Khaikin, P. Kovadlo, and P. Baron, Atmospheric and Oceanic Optics 36 (1), 78 (2023). DOI:10.1134/S1024856023020148
27. M. E. Tipping and C. M. Bishop, Journal of the Royal Statistical Society: Series B 61 (3), 611 (1999). DOI:10.1111/1467-9868.00196
28. X. Ying, Journal of Physics: Conference Series 1168 (2), 022022 (2019). DOI:10.1088/1742-6596/1168/2/022022
29. F. N. Zakharov, S. A. Mikajlenko, and D. V. Timoshin, Russian Physics Journal volume 61 (3), 525 (2018). DOI:10.1007/s11182-018-1430-6
2. Y. Y. Balega, D.-S. Bataev, G. Bubnov, et al., Doklady Physics, 67, 1 (2022).
3. L. Bolbasova and V. Lukin, Atmospheric and Oceanic Optics 35 (3), 288 (2022). DOI:10.1134/S1024856022030022
4. G. Bubnov, https://zenodo.org/records/4973548 (2021). DOI:10.5281/zenodo.5223928
5. G. Bubnov, P. Zemlyanukha, E. Dombek, and V. Vdovin, J. Physics: Conf. Ser., 2015, id. 012024 (2021). DOI:10.1088/1742-6596/2015/1/012024
6. G. M. Bubnov, V. F. Grigorev, V. F. Vdovin, et al., in Proc. 30th International Symposium on Space Terahertz Technology (ISSTT 2019), Gothenburg, Sweden, 2019, pp. 143–148.
7. G. M. Bubnov, V. F. Vdovin, V. Y. Bukov, et al., in Proc. 2017 XXXIInd General Assembly and Scientific Symposium of the International Union of Radio Science (URSI GASS), Montreal, Canada, 2017, p. 186. DOI:10.23919/URSIGASS.2017.8105000
8. I. Bubukin, I. Rakut, M. Agafonov, et al., Radiophysics and Quantum Electronics 65 (10), 719 (2023). DOI:10.1007/s11141-023-10252-0
9. B. T. Chicho and A. B. Sallow, Journal of Soft Computing and Data Mining 2 (2), 49 (2021). DOI:10.30880/jscdm.2021.02.02.005
10. T. Cover and P. Hart, IEEE Transactions on Information Theory 13 (1), 21 (1967). DOI:10.1109/TIT.1967.1053964
11. Global Modeling and Assimilation Office (GMAO): MERRA-2 inst1_2d_int_Nx: 2d, 1-Hourly, Instantaneous, Single-Level, Assimilation, Vertically Integrated Diagnostics V5.12.4, Greenbelt, MD, USA, Goddard Earth Sciences Data and Information Services Center (GES DISC) (2015). DOI:10.5067/G0U6NGQ3BLE0
12. S. Hochreiter and J. Schmidhuber, Neural Computation 9, 1735 (1997). DOI:10.1162/neco.1997.9.8.1735
13. L. Huang, Z. Mo, L. Liu, et al., Earth and Space Science 8 (5), e2020EA001516 (2021). DOI:10.1029/2020EA001516
14. A. Hyv ¨arinen and E. Oja, Neural Networks 13 (4), 411 (2000). DOI:10.1016/S0893-6080(00)00026-5
15. G. Ilin, V. Bykov, V. Stempkovsky, and A. Shishikin, Transactions of IAA RAS, 27 210 (2013).
16. V. Khaikin, A. Y. Shikhovtsev, V. Shmagin, et al., Zhurnal Radioelektroniki: Journal of Radio Electronics 7, 1684 (2022). DOI:10.30898/1684-1719.2022.7.9
17. A. G. Kislyakov and K. S. Stankevich, Radiophysics and Quantum Electronics 10 (9-10), 695 (1967). DOI:10.1007/BF01031599
18. O. Kramer, Machine Learning for Evolution Strategies: Studies in Big Data (Springer International Publishing, Switzerland, 2016), pp. 45–53. DOI:10.1007/978-3-319-33383-0
19. P. R. Merrifield, American Educational Research Journal 6 (3), 449 (1969). DOI:10.3102/00028312006003449
20. J. Milli, R. Gonzalez, P. R. Fluxa, et al., arXiv e-prints astro-ph/1910.13767 (2019). DOI:10.48550/arXiv.1910.13767
21. V. Nosov, O. Bolshakov, G. Bubnov, et al., Instruments and Experimental Techniques 59, 374 (2016). DOI:10.1134/S0020441216020111
22. V. E. Panchuk and V. L. Afanasiev, Astrophysical Bulletin 66 (2), 233 (2011). DOI:10.1134/S199034131102009X
23. L. Prechelt, Neural Networks: Tricks of the Trade (Springer Berlin, Heidelberg, 1998), p. 55. DOI:10.1007/3-540-49430-8_3
24. N. Ruzhentsev and A. Mihailov, Natural Science 2 427 (2010). DOI:10.4236/ns.2010.25052
25. X. Shi, Z. Chen, H. Wang, et al., arXive-prints astro-ph/1506.04214 (2015). DOI:10.48550/arXiv.1506.04214
26. A. Y. Shikhovtsev, V. Khaikin, P. Kovadlo, and P. Baron, Atmospheric and Oceanic Optics 36 (1), 78 (2023). DOI:10.1134/S1024856023020148
27. M. E. Tipping and C. M. Bishop, Journal of the Royal Statistical Society: Series B 61 (3), 611 (1999). DOI:10.1111/1467-9868.00196
28. X. Ying, Journal of Physics: Conference Series 1168 (2), 022022 (2019). DOI:10.1088/1742-6596/1168/2/022022
29. F. N. Zakharov, S. A. Mikajlenko, and D. V. Timoshin, Russian Physics Journal volume 61 (3), 525 (2018). DOI:10.1007/s11182-018-1430-6
Analysis of the Results of Astroclimate Measurements in the Millimeter Wavelength Range Using Machine Learning Methods
© 2024
T. A. Khabarova1,2*, P. M. Zemlyanukha1, E. M. Dombek2,1, A. S. Marukhno3, and V. F. Vdovin1,3,2
1Institute of Applied Physics RAS, Nizhny Novgorod, 603950 Russia
2Lobachevsky Nizhny Novgorod State University, Nizhny Novgorod, 603950 Russia
3Special Astrophysical Observatory, Russian Academy of Sciences, Nizhnii Arkhyz, 369167 Russia
*E-mail: t.habarova@ipfran.ru
2Lobachevsky Nizhny Novgorod State University, Nizhny Novgorod, 603950 Russia
3Special Astrophysical Observatory, Russian Academy of Sciences, Nizhnii Arkhyz, 369167 Russia
*E-mail: t.habarova@ipfran.ru
This paper presents a method for estimating precipitable water vapor from radiometric data using machine learning methods. The results of a study of precipitated water vapor for the territory of Chirag (Dagestan), Terskol peak (Elbrus region), Badary observatory (Buryatia) and the Spitsbergen archipelago are presented. A comparative analysis of the assessment of precipitable water vapor for the territory of “Badary” was carried out using GNSS, MERRA-2, water vapor radiometer data and predicting values using machine learning methods based on data from the MIAP-2 microwave radiometer.
Keywords:
millimeter astronomy — methods: data analysis
К содержанию номера