Repository files navigation

Развернутый отчет о проделанной работе представлен вфайле.

Решаемая задача - долгосрочное прогнозирование концентрации льда в Арктике на примере Карского моря.

Опробованы три архитектуры:

• базовая, на основе простых сверток (CNN);

• "классическая data-driven", U-Net (resnet-34);

• сверточная с механизмом внимания (CNN+attention).

Ход метрик качества для каждого шага прогноза на графиках:

Для наиболее неоднозначного временного промежутка прогноза построены ледовые карты на основе выхода из нейронных сетей:

Выводы:

• U-Net показал лучшее качество по сравнению с моделью с механизмом внимания, что подтверждает негласный статус U-Net как базовой модели для прогнозирования ледовой обстановки;
• Добавление в архитектуру U-Net механизма внимания может повысить качество для прогнозирования типичной динамики ледовых условий;
• Протестированные архитектуры (U-Net, CNN+attention) все еще требуют параметризации для каждой акватории, генерализуемость подхода нуждается в доработке.