В данной работе рассматривается использование различных методов построения моделей временного ряда в исследовании динамики льдов Арктики. Выполняется проверка построенных моделей на адекватность и точность. Для долгосрочного прогнозирования применяются искусственные нейронные сети.
моделирование временных рядов, адекватность модели, нейронные сети, весовые коэффициенты, толщина льдов Арктики
Арктика является экономически привлекательной территорией для многих стран. Мониторингу ледовых условий арктических морей придается большое значение.
Проведем анализ данных по ледовитости за самый холодный месяц в Арктике - февраль (AverageMonthlyArcticSeaIceExtentFebruary) и за самый тёплый месяц – июль (AverageMonthlyArcticSeaIceExtentJuly) с 1985 по 2014 года. Указанные значения получены с сайта организации NSIDC (NationalSnow & IceDataCenter) - http://nsidc.org/. [1]
1. Национальный банк данных по снегу и льду NSIDC (National Snow & Ice Data Center) [Электронный ресурс] // NSCDC: [сайт]. [2014]. URL: http://nsidc.org/arcticseaicenews/tag/ice-extent// (дата обращения: 25.10.2014).
2. Зеленина Л.И., Федькушова С.И. Прогнозирование и последствия изменения климата Арктического региона // Арктика и Север. − 2012. − № 5. − С. 1−5.
3. Зеленина Л.И., Федькушова С.И. Арктические льды: прогноз и адаптация// Инноватика. Научный электронный журнал. Свидетельство о регистрации ЭЛ № ФС 77-5722 - 2014. - № 2. - с. 26- 31.
4. Маковеев Р.Е., Зеленина Л.И. Исследование состояния ледового покрытия Арктического региона// Исследования в области естественных наук. 2015. № 1 (37) [Электронный ресурс]. URL: http://science.snauka.ru/2015/01/8929 (дата обращения: 26.01.2015).
