Тс ближний: Валентин Куликов, «Ближний»: «Навстречу маленькой сети готовы идти даже крупные производители»

Содержание

Домашкино

ПДД 19.

2 — Фары дальнего света

Какие внешние световые приборы Вы должны использовать при движении в темное время суток на освещенных участках дорог населенного пункта?

1.	?	Только габаритные огни.
2.	?	Только фары ближнего света.
3.	?	Фары ближнего света или габаритные огни.

В населенных пунктах Правила предписывают Вам использовать при движении в темное время суток на освещенных участках дорог только фары ближнего света. Движение с включенными габаритными огнями запрещено, так как они недостаточно хорошо обозначают Ваше ТС для других участников движения. Фары дальнего света, учитывая его ослепляющее воздействие на других водителей, использовать также запрещено.

Двигаясь в темное время суток вне населенного пункта с дальним светом фар, Вы догнали движущееся впереди Вас транспортное средство. Ваши действия?

1.	?	Переключите дальний свет фар на ближний.
2.	?	Оставите включенными габаритные огни, выключив дальний свет фар.
3.	?	Допускаются оба варианта действий.

Поскольку дальним светом фар могут быть ослеплены не только встречные водители, но и водители, движущиеся в попутном направлении (через зеркало заднего вида), Правила предписывают вам переключать свет на ближний во всех случаях, когда возможно ослепление.

Обязаны ли Вы переключить дальний свет на ближний, если водитель встречного транспортного средства периодическим переключением света фар покажет необходимость этого?

1.	?	Обязаны, только если расстояние до встречного транспортного средства менее 150 м.
2.	?	Обязаны, даже если расстояние до встречного транспортного средства более 150 м.
3.	?	Не обязаны.

Принимая во внимание возможность изменения угла наклона светового потока в зависимости от профиля дороги, нагрузки и других факторов, Правила обязывают Вас при встречном разъезде переключить дальний свет на ближний на расстоянии более 150 м до ТС, если водитель встречного ТС периодическим переключением света фар покажет необходимость этого.

Как Вы должны поступить при ослеплении Вас дальним светом фар встречных или попутно движущихся транспортных средств?

1.	?	Включить аварийную сигнализацию и, не меняя полосы движения, снизить скорость и остановиться.
2.	?	Принять вправо (в сторону обочины) и остановиться.
3.	?	Подавая звуковой сигнал, остановиться.

При ослеплении водитель на некоторый период (до полной адаптации глаз) теряет возможность объективно оценивать ситуацию на дороге, и поэтому Правила предписывают вам конкретный порядок действий, безопасный для других участников движения: включить аварийную световую сигнализацию, не меняя полосу движения, снизить скорость и остановиться.

При приближении к вершине подъема в темное время суток водителю рекомендуется переключить дальний свет фар на ближний:

1.	?	Только при появлении встречного транспортного средства.
2.	?	Всегда при приближении к вершине подъема.

Приближаясь в темное время суток к вершине подъема, рекомендуется всегда переключать дальний свет фар на ближний, чтобы не ослепить водителя ТС, неожиданно появившегося со встречного направления.

На каком расстоянии до встречного транспортного средства Вы должны переключить дальний свет фар на ближний?

1.	?	Не менее чем за 150 м.
2.	?	Не менее чем за 300 м.
3.	?	По усмотрению водителя.

Учитывая высокий световой поток фар дальнего света, Правила обязывают Вас, во избежание ослепления водителя встречного ТС, переключить свет с дальнего на ближний не менее чем за 150 м до ТС.

TS.5.1 Понимание краткосрочного изменения климата

СодержаниеTSTS.5TS.5.1

Знание климатической системы вместе с модельным моделированием подтверждает, что прошлые изменения в концентрациях парниковых газов приведут к ожидаемому потеплению (см. вставку TS.9 для определение) и будущие изменения климата. Результаты новых моделей для экспериментов, в которых концентрации всех воздействующих факторов поддерживались постоянными, обеспечивают более точные оценки ожидаемых изменений атмосферных переменных, которые последуют из-за длительного времени отклика климатической системы, особенно океанов. {10.3, 10.7}

Предыдущие прогнозы МГЭИК о будущих изменениях климата теперь можно сравнивать с недавними наблюдениями, повышая достоверность краткосрочных прогнозов и лежащее в их основе физическое понимание ожидаемого изменения климата в течение нескольких десятилетий. Прогнозы на период с 1990 по 2005 год, выполненные для FAR и SAR, предполагали повышение глобальной средней температуры примерно на 0,3 °C и 0,15 °C за десятилетие соответственно. ^[10] Разница между ними была обусловлена главным образом включением в SAR охлаждающих аэрозольных эффектов, тогда как в FAR не было количественной основы для этого. Прогнозы, представленные в ТДО, аналогичны прогнозам в ОДО. Эти результаты сопоставимы с наблюдаемыми значениями около 0,2 °C за десятилетие, как показано на рисунке TS.26, что обеспечивает широкую достоверность таких краткосрочных прогнозов. Отчасти это потепление является постоянным следствием изменений концентрации парниковых газов до момента проведения этих более ранних оценок. {1.2, 3.2}

Среднее глобальное потепление: прогнозы модели по сравнению с наблюдениями

Рисунок TS.26. Модельные проекции среднего глобального потепления по сравнению с наблюдаемым потеплением. Наблюдаемые температурные аномалии, как и на рисунке ТР.6, показаны как годовые (черные точки) и средние значения за десятилетие (черная линия). Прогнозируемые тренды и их диапазоны из Первого (FAR) и Второго (SAR) оценочных отчетов МГЭИК показаны сплошными зелеными и пурпурными линиями и заштрихованными областями, а прогнозируемый диапазон из ТДО показан вертикальными синими полосами. Эти прогнозы были скорректированы, чтобы начать с наблюдаемого среднего значения за десятилетие в 1990. Средние прогнозы мультимоделей из этого отчета для сценариев СДСВ B1, A1B и A2, как на рисунке TS.32, показаны для периода с 2000 по 2025 год в виде синих, зеленых и красных кривых с диапазонами неопределенности, указанными справа- ось руки. Оранжевая кривая показывает модельные прогнозы потепления, если бы концентрации парниковых газов и аэрозолей оставались постоянными с 2000 года, то есть ожидаемое потепление. {Рисунки 1.1 и 10.4}

Предсказуемое изменение климата (см. вставку ТР.9) из-за состава атмосферы в 2000 г. соответствует тенденции к потеплению примерно на 0,1 °C за десятилетие в течение следующих двух десятилетий при отсутствии значительных изменений при вулканическом или солнечном воздействии. Примерно в два раза большее потепление (0,2 °C за десятилетие) можно было бы ожидать, если бы выбросы попадали в диапазон маркерных сценариев СДСВ. Этот результат нечувствителен к выбору одного из маркерных сценариев СДСВ, ни один из которых не учитывал климатические инициативы. К 2050 году диапазон ожидаемого потепления демонстрирует ограниченную чувствительность к выбору одного из сценариев СДСВ (от 1,3°C до 1,7°C относительно 1980–1999), причем около четверти приходится на имевшее место изменение климата, если бы сегодня все радиационные воздействующие факторы были бы стабилизированы. {10.3, 10.5, 10.7}

Ожидается, что уровень моря продолжит повышаться в течение следующих нескольких десятилетий. В период с 2000 по 2020 г. по сценарию SRES A1B в ансамбле МОЦАО скорость теплового расширения прогнозируется на уровне 1,3 ± 0,7 мм/год ^–1 и существенно не отличается по сценариям A2 или B1. Эти прогнозируемые скорости находятся в пределах неопределенности наблюдаемого вклада теплового расширения для 1993 по 2003 г. 1,6 ± 0,6 мм год ^–1 . Отношение предполагаемого теплового расширения, вызванного постоянным составом атмосферы в значениях 2000 года, к общему тепловому расширению (то есть отношение расширения, произошедшего после 2000 года, к тому, что произошло до и после) больше, чем соответствующее отношение для глобальной средней приземной температуры. . {10.6, 10.7}

Если бы концентрации парниковых газов и аэрозолей оставались фиксированными после периода изменений, климатическая система продолжала бы реагировать на тепловую инерцию океанов и ледяных щитов и их длительные временные масштабы для адаптации. «Вынужденное потепление» определяется здесь как дальнейшее изменение глобальной средней температуры после того, как состав атмосферы и, следовательно, радиационное воздействие остаются постоянными. Направленное изменение также затрагивает другие аспекты климатической системы, в частности уровень моря. Обратите внимание, что сохранение концентраций радиационно-активных видов постоянными будет означать, что текущие выбросы соответствуют скорости естественного удаления, что для большинства видов будет эквивалентно значительному сокращению выбросов, хотя соответствующие модельные эксперименты не предназначены для рассмотрения в качестве сценариев выбросов. {Часто задаваемые вопросы 10.3}

Тропосфера приспосабливается к изменениям своих граничных условий в масштабах времени короче месяца или около того. Верхние слои океана реагируют в масштабах времени от нескольких лет до десятилетий, а временные масштабы реагирования глубин океана и ледяных щитов составляют от столетий до тысячелетий. Когда радиационное воздействие изменяется, внутренние свойства атмосферы быстро меняются. Однако, поскольку атмосфера сильно связана со смешанным слоем океана, который, в свою очередь, связан с более глубоким слоем океана, требуется очень много времени, чтобы атмосферные переменные пришли к равновесию. В течение длительных периодов, когда климат на поверхности меняется очень медленно, можно считать, что атмосфера находится в квазиравновесном состоянии, и большая часть энергии поглощается океаном, поэтому поглощение тепла океаном является ключевым показателем изменения климата. {10.7} 9См. Первый оценочный отчет МГЭИК, Резюме политиков и Второй оценочный отчет, Техническое резюме, рисунок 18. Агарвал А., Бархам П., Бревдо Э.,
Чен З., Ситро К., Коррадо Г.С., Дэвис А., Дин Дж.,
Девин М., Гемават С., Гудфеллоу И. , Харп А.,
Ирвинг Г., Айсард М., Цзя Ю., Йозефович Р.,
Кайзер М., Кудлур М., Левенберг Дж., Мане М.,
Монга Р., Мур С., Мюррей Д., Ола К., Шустер М.,
Шленс Дж., Штайнер Дж., Суцкевер И., Талвар Дж.,
Такер П., Ванхуке В., Васудеван В., Вьегас Ф.,
Виньялс О., Уорден П., Ваттенберг М., Вике М., Ю Ю. и
Чжэн, X .: TensorFlow: крупномасштабное машинное обучение на
Heterogeneous Systems, доступно по адресу: https://www.tensorflow.org/ (последний доступ: 18 декабря 2020 г.), 2015 г. a

Абдул Азиз, Ф. А. Б., Абд. Рахман, Н., и Мохд Али, Дж.: Тропосферный озон
Оценка пласта в городском городе Банги с использованием искусственных
Нейронная сеть (ИНС), вычисл. Интел. нейроск.,
2019, 1–10, https://doi.org/10.1155/2019/6252983,
2019. a

Абдул-Вахаб, С. А., Бахейт, К. С., и Аль-Алави, С. М.: Основной компонент
и множественный регрессионный анализ при моделировании приземного озона и
факторы, влияющие на его концентрацию, Окружающая среда. Модель. ПО,
20, 1263–1271, https://doi.org/10. 1016/j.envsoft.2004.09.001,
2005. a

Авнери, С., Маузералл, Д. Л., Лю, Дж., и Горовиц, Л. В.: Глобальная урожайность сельскохозяйственных культур
сокращения из-за воздействия приземного озона: 1. Растениеводство 2000 г.
потери и экономический ущерб, Атмос. Окружающая среда, 45, 2284–2296,
https://doi.org/10.1016/j.atmosenv.2010.11.045,
2011. a

Бай С., Колтер Дж. З. и Колтун В.: Эмпирическая оценка
Общие сверточные и рекуррентные сети для последовательности
Моделирование, arXiv [препринт], arXiv:1803.01271, 2018. a

Белл, М.Л., Занобетти, А., и Доминики, Ф.: Кто больше подвержен влиянию
Загрязнение озоном? Систематический обзор и метаанализ,
Являюсь. J. Epidemiol., 180, 15–28, https://doi.org/10.1093/aje/kwu115, 2014. a

Боллмейер, К., Келлер, Дж. Д., Олвайн, К., Валь, С., Крюэлл, С., Фридерихс,
П., Хенсе А., Кеуне Дж., Кнайфель С., Пшайдт И., Редл С. и Штейнке И.
S.: На пути к региональному реанализу с высоким разрешением для европейского CORDEX
домен, QJ Roy. Метеор. соц., 141, 1–15,
https://doi.org/10.1002/qj.2486,
2015. a

Бруннер Д., Сэвидж Н., Джорба О., Эдер Б., Джордано Л., Бадиа А.,
Бальзарини А., Баро Р., Бьянкони Р., Чемель К., Курчи Г., Форкель Р.,
Хименес-Герреро, П., Хиртл, М., Ходзич, А., Хонзак, Л., Им, У., Ноте, К.,
Макар П., Мандерс-Грот А., ван Мейгаард Э., Нил Л., Перес Дж. Л.,
Пировано Г., Сан-Хосе Р., Шредер В., Сохи Р. С., Сыраков Д., Ториан,
А., Тучелла П., Верхан Дж., Вольке Р., Яхья К., Забкар Р., Чжан Ю.,
Хогрефе, К., и Гальмарини, С.: Сравнительный анализ метеорологических
производительность связанных химико-метеорологических моделей в контексте
AQMEII фаза 2, Атмос. Окружающая среда, 115, 470–49.8,
https://doi.org/10.1016/j.atmosenv.2014.12.032,
2015. a

Шолле, Ф.: Керас, доступно по адресу: https://keras.io (последний доступ: 18 декабря 2020 г.), 2015. a

Клеверт, Д.-А., Унтертинер, Т., и Hochreiter, S.: Быстро и точно глубоко
Сетевое обучение с помощью экспоненциальных линейных единиц (ELU),
arXiv [препринт],
архив: 1511. 07289,
2016. a

Кобурн В. Г., Дольсин Л., Френч М. и Хаббард М. К.: Сравнение
Нелинейная регрессия и модели нейронных сетей для приземного озона
Прогнозирование, J. Air Waste Ma., 50,
1999–2009, https://doi.org/10.1080/10473289.2000.10464228,
2000. a

Коллинз, В. Дж., Стивенсон, Д. С., Джонсон, К. Э., и Дервент, Р. Г.:
Тропосферный озон в трехмерной лагранжевой модели глобального масштаба и
Его ответ на меры по контролю за выбросами NOX, J. Atmos. Хим., 26,
223–274, https://doi.org/10.1023/A:1005836531979,
1997. a

Comrie, A. C.: Сравнение нейронных сетей и моделей регрессии для озона
Прогнозирование, J. Air Waste Ma., 47,
653–663, https://doi.org/10.1080/10473289.1997.10463925,
1997. a

Дофин, Ю. Н., Фан, А., Аули, М., и Гранжье, Д.: Моделирование языка с помощью
Gated Convolutional Networks, arXiv [препринт],
arXiv:1612.08083, 2017. a

Доннер, Л. Дж., Вайман, Б. Л., Хемлер, Р. С., Горовиц, Л. В., Мин, Ю., Чжао,
М., Голаз, Дж.-К., Жину, П., Лин, С. -Дж., Шварцкопф, М.Д., Остин, Дж.,
Алака Г., Кук В. Ф., Делворт Т. Л., Фрейденрайх С. М., Гордон С. Т.,
Гриффис С. М., Хелд И. М., Хёрлин В. Дж., Кляйн С. А., Кнутсон Т. Р.,
Лангенхорст А. Р., Ли Х.-К., Лин Ю., Маги Б. И., Малышев С. Л., Милли,
П. К. Д., Найк В., Натх М. Дж., Пинкус Р., Плошай Дж. Дж., Рамасвами В.,
Семан С. Дж., Шевлякова Э., Сирутис Дж. Дж., Стерн В. Ф., Стоуффер Р. Дж.,
Уилсон, Р. Дж., Винтон, М., Виттенберг, А. Т., и Цзэн, Ф.: Динамический
Ядро, физические параметризации и основные характеристики моделирования
Атмосферный компонент AM3 глобальной связанной модели GFDL CM3, Дж.
Климат, 24, 3484–3519., https://doi.org/10.1175/2011JCLI3955.1,
2011. a

Дай, Т. С.: Руководство по разработке качества воздуха (озон и ТЧ _2,5 )
программа прогнозирования, Агентство по охране окружающей среды США, Управление по воздуху
Планирование качества и стандарты, передача информации и интеграция программ
Division, программа AIRNow, доступна по адресу:
https://nepis. epa.gov/Exe/ZyPURL.cgi?Dockey=2000F0ZT.txt (последний доступ: 18 декабря 2020 г.),
2003. a

Эслами, Э., Чой, Ю., Лопс, Ю., и Сайед, А.: Почасовой анализ озона в режиме реального времени
система прогнозирования с использованием глубокой сверточной нейронной сети, Neural Comput.
апл., 32, 8783–8797, https://doi.org/10.1007/s00521-019-04282-x,
2020. a, b

Флеминг З. Л., Доэрти Р. М., Фон Шнайдемессер Э., Малли К. С., Купер,
О. Р., Пинто, Дж. П., Колетт, А., Сюй, X., Симпсон, Д., Шульц, М. Г.,
Лефон А. С., Хамад С., Мулла Р., Солберг С. и Фэн З.: Тропосфера
Отчет об оценке озона: Современное распределение озона и тенденции
относящийся к здоровью человека, Элем. науч. Анф., 6, 12, https://doi.org/10.1525/elementa.273,
2018. a, b

Фуэнтес, М. и Рафтери, А. Э.: Оценка модели и пространственное
Интерполяция байесовской комбинацией наблюдений с выходными данными
из числовых моделей, биометрии, 61, 36–45,
https://doi.org/10.1111/j.0006-341X.2005.030821.x, 2005. a

Гарднер, М. и Дорлинг, С.: Ежедневные тренды, полученные с помощью искусственной нейронной сети
Максимальные концентрации приземного озона, J. Air Waste Ma., 51, 1202–1210, https://doi.org/10.1080/10473289.2001.10464338,
2001. a

Грелль, Г. А., Пекхэм, С. Э., Шмитц, Р., Маккин, С. А., Фрост, Г., Скамарок,
У. К. и Эдер Б.: Полностью связанная «онлайн» химия в рамках WRF
модель, Атмос. Окружающая среда, 39, 6957–6975,
https://doi.org/10.1016/j.atmosenv.2005.04.027,
2005. a

Горовиц, Дж. и Баракат, С.: Статистический анализ максимальной концентрации
загрязнителя воздуха: эффекты автокорреляции и нестационарности,
Атмос. Окружающая среда, 13, 811–818,
https://doi.org/10.1016/0004-6981(79)90272-5, г.
1979. a

Горовиц, Л. В., Стейси, В., Мозералл, Д. Л., Эммонс, Л. К., Раш, П. Дж.,
Гранье, К., Ти, X., Ламарк, Дж., Шульц, М. Г., Тиндалл, Г. С., Орландо,
Дж. Дж. и Брассер, Г. П.: Глобальное моделирование тропосферного озона и
связанные трассеры: Описание и оценка MOZART, версия 2, J.
Геофиз. Рез.-Атм., 108, Д12, https://doi.org/10.1029/2002JD002853,
2003. a

Иоффе, С. и Сегеди, К.: Нормализация партии: ускорение глубокого
Обучение сети путем уменьшения внутреннего ковариатного сдвига,
arXiv [препринт], arXiv: 1502.03167,
2015. a

Исмаил Фаваз, Х., Форестье, Г., Вебер, Дж., Идумгар, Л., и Мюллер, П.-А.:
Глубокое обучение для классификации временных рядов: обзор, Data Min.
Знай. Диск., 33, 917–963, https://doi.org/10.1007/s10618-019-00619-1,
2019. a

Джейкобсон, М. З.: Основы моделирования атмосферы, Кембриджский университет.
Press, Cambridge, UK, 2005. a

Юлихский суперкомпьютерный центр: JUWELS: Модульный суперкомпьютер уровня 0/1
в Юлихском суперкомпьютерном центре, Журнал крупномасштабных исследований
объектов, 5, A135, https://doi.org/10.17815/jlsrf-5-171,
2019. a, b

Кингма, Д. П. и Ба, Дж.: Адам: метод стохастической оптимизации,
arXiv [препринт], arXiv:1412.6980, 2014. a

Kleinert, F., Leufen, L. H., and Schultz, M. G.: IntelliO3-ts: Data, b2share,
https://doi.org/10.34730/c5dae21fac954aa6bdb4e86172221526,
2020а. a

Кляйнерт Ф., Лейфен Л. Х. и Шульц М. Г.: IntelliO3-ts: Источник
код и данные,
https://doi.org/10.23728/b2share.5042cda41a4c49769cc4010d2 31ecdec, b2share,
2020б. a

LeCun, Y., Bottou, L., Bengio, Y., and Haffner, P.: Градиентное обучение
применяется к распознаванию документов, в: Proceedings of the IEEE, 86,
2278–2324,
https://doi.org/10.1109/5.726791, 1998. a

Лефон, А. С., Малли, К. С., Саймон, Х., Уэллс, Б., Сюй, X., Чжан, Л., и
Ван, Т.: Реакция показателей здоровья человека и растительности на
изменения в распределении концентрации озона в Европейском Союзе,
США и Китай, Atmos. Окружающая среда, 152, 123–145,
https://doi.org/10.1016/j.atmosenv.2016.12.025,
2017. a

Лю, Б., Ян, С., Ли, Дж., Цюй, Г., Ли, Ю., Ланг, Дж., и Гу, Р.: A
Предиктор качества воздуха от последовательности к последовательности на основе n-этапа
Рекуррентное прогнозирование, доступ IEEE, 7, 43331–43345,
https://doi. org/10.1109/ДОСТУП.2019.2908081,
2019. a

Ma, J., Li, Z., Cheng, J. C., Ding, Y., Lin, C. и Xu, Z.: Качество воздуха
предсказание на новых станциях с использованием двунаправленных
сеть кратковременной памяти, Sci. Общая природ., 705, 135771,
https://doi.org/10.1016/j.scitotenv.2019.135771, 2020. a, b

Малеки А., Сорушян А., Гударзи Г., Баболи З., Тахмасеби Биргани Ю.,
и Рахмати, М.: Прогнозирование загрязнения воздуха с помощью искусственного нейронного
сетевая модель, Чистая технология. Envir., 21, 1341–1352,
https://doi.org/10.1007/s10098-019-01709-в,
2019. a

Met Office: Cartopy: картографическая библиотека Python с Matplotlib
интерфейс, Эксетер, Девон, доступно по адресу: https://scitools.org.uk/cartopy (последний доступ: 18 декабря 2020 г.),
2010–2015 гг. a

Миллс Г., Шарпс К., Симпсон Д., Плейжель Х., Броберг М., Уддлинг Дж.,
Джарамилло Ф., Дэвис В. Дж., Дентенер Ф., Ван ден Берг М., Агравал М.,
Агравал С., Эйнсворт Э. А., Бюкер П., Эмберсон Л., Фенг З. , Харменс,
Х., Хейс Ф., Кобаяши К., Паолетти Э. и Ван Дингенен Р.: Озон
загрязнение поставит под угрозу усилия по увеличению мирового производства пшеницы, Glob.
Change Biol., 24, 3560–3574, https://doi.org/10.1111/gcb.14157,
2018. a

Мерфи, А. Х.: Показатели навыков на основе среднеквадратичной ошибки и их
Связь с коэффициентом корреляции, пн. Погода Обр., 116,
2417–2424, https://doi.org/10.1175/1520-0493(1988)116<2417:SSBOTM>2.0.CO;2,
1988. a, b, c, d

Мерфи, А. Х. и Винклер, Р. Л.: Общая схема прогнозирования
Проверка, пн. Weather Rev., 115, 1330–1338,
https://doi.org/10.1175/1520-0493(1987)115<1330:AGFFFV>2.0.CO;2,
1987. a, b, c, d

Мерфи, А. Х., Браун, Б. Г., и Чен, Ю.-С.: Диагностическая проверка
Прогнозы температуры, прогноз погоды., 4, 485–501,
https://doi.org/10.1175/1520-0434(1989)004<0485:ДВОТФ>2.0.СО;2,
1989. a, b

Ольшина, К., Лурия, М., и Мигер, Дж.: Корреляция температуры и
уровни озона в сельской местности на юго-востоке США, атмос. Окружающая среда, 31, 3011–3022, https://doi. org/10.1016/S1352-2310(97)00097-6,
1997. a

Павляк, И. и Ярославский, Дж.: Прогнозирование приземного озона
Концентрация с использованием искусственных нейронных сетей в сельской местности и
Городские районы в Центральной Польше, Атмосфера, 10, 52,
https://doi.org/10.3390/atmos10020052,
2019. a

Прибуток В. Р., Йи Дж. и Митчелл Д.: Сравнение моделей нейронных сетей
с моделями ARIMA и регрессии для прогнозирования дневного максимума Хьюстона
концентрации озона, Евр. Дж. Опер. рез., 122, 31–40, https://doi.org/10.1016/S0377-2217(99)00069-7,
2000. a

Расп, С. и Лерч, С.: Нейронные сети для ансамбля постобработки
Прогноз погоды, пн. Weather Rev., 146, 3885–3900,
https://doi.org/10.1175/MWR-D-18-0187.1,
2018. a

Roeder, L.: Netron, github, доступно по адресу:
https://github.com/lutzroeder/netron, последний доступ: 18 декабря 2020 г. a, b

Сайед А., Чой Ю., Эслами Э., Лопс Ю., Рой А. и Юнг Дж.: Использование глубокого
сверточная нейронная сеть для прогнозирования концентрации озона на 2017 год, 24 часа
заранее, Нейронные сети, 121, 396–408,
https://doi. org/10.1016/j.neunet.2019.09.033,
2020. a, b, c, d

Шмидхубер, Дж.: Глубокое обучение в нейронных сетях: обзор, Нейронная
Сети, 61, 85–117, https://doi.org/10.1016/j.neunet.2014.09.003,
2015. a

Шульц М. Г., Шредер С., Ляпина О., Купер О., Галбалли И.,
Петропавловских И., фон Шнейдемессер Э., Танимото Х., Эльшорбани Ю.,
Наджа М., Сегель Р., Дауэрт У., Экхардт П., Фейгеншпан С., Фибиг М.,
Хьельбрекке, А.-Г., Хонг, Ю.-Д., Кристиан Кьелд, П., Койде, Х., Лир, Г.,
Тарасик Д., Уэно М., Валлаш М., Баумгарднер Д., Чуанг М.-Т.,
Джиллет Р., Ли М., Моллой С., Мулла Р., Ван Т., Шарпс К., Адаме,
Дж. А., Анселле Г., Ападула Ф., Артаксо П., Барласина М., Богуцка М.,
Бонасони П., Чанг Л., Коломб А., Куэвас Э., Купейро М., Дегорска А.,
Динг А., Фрелих М., Фролова М., Гадхави Х., Геузи Ф., Гильге С.,
Гонсалес М.Ю., Грос В., Хамад С.Х., Хельмиг Д., Энрикес Д.,
Хермансен О., Холла Р., Хубер Дж., Им У., Яффе Д. А., Комала Н.,
Кубистин Д., Лам К.-С., Лаурила Т., Ли Х., Леви И., Маццолени К.,
Маццолени Л. , МакКлюр-Бегли А., Мохамад М., Мурович М., Наварро-Комас,
М., Никодим Ф., Пэрриш Д., Рид К. А., Рейд Н., Рис Л., Саксена П.,
Шваб Дж. Дж., Скорги Ю., Сеник И., Симмондс П., Синха В., Скороход,
А., Спейн, Г., Спэнгл, В., Спур, Р., Спрингстон, С. Р., Стир, К.,
Штайнбахер М., Сухаргунияван Э., Торре П., Трикл Т., Вейли Л.,
Веллер Р., Сюй Х., Сюэ Л. и Чжицян М.: Оценка тропосферного озона
Отчет: База данных и метрические данные глобальных наблюдений за приземным озоном,
Элемента, 5, 58, https://doi.org/10.1525/elementa.244,
2017. а, б

Сиболд, С. и Перктольд, Дж.: Статистические модели: эконометрические и статистические
моделирование с помощью python, в материалах 9-й конференции Python в науке, 28 июня – 3 июля,
Остин, Техас, 92–96, https://doi.org/10.25080/Majora-92bf1922-011, 2010. a

Сайнфельд, Дж. Х. и Пандис, С. Н.: Химия и физика атмосферы: из воздуха
От загрязнения до изменения климата, Wiley, Hoboken, New
Jersey, USA, 2016. a

Seltzer, K.M., Shindell, D.T., Kasibhatla, P. , and Malley, C.S.: Величина, тенденции и воздействие долгосрочного воздействия атмосферного озона в Соединенных Штатах с 2000 по 2015 год, Atmos . хим. Phys., 20, 1757–1775, https://doi.org/10.5194/acp-20-1757-2020, 2020. a, b

Сильва, С. Дж., Хилд, К. Л., Равела, С., Маммарелла, И., и Мангер, Дж. В.: A
Параметризация глубокого обучения для сухого осаждения озона
скорости, геофиз. Рез. Летт., 46, 983–989,
https://doi.org/10.1029/2018GL081049,
2019. a

Сривастава Н., Хинтон Г., Крижевский А., Суцкевер И., Салахутдинов И.
Р.: Dropout: простой способ предотвращения переобучения нейронных сетей, J. Mach. Учиться. рез., 15, 1929–1958,
2014. a

Сегеди, К., Лю, В., Цзя, Ю., Серманет, П., Рид, С., Ангелов, Д.,
Эрхан Д., Ванхуке В. и Рабинович А.: Углубляясь в извилины,
в: Труды конференции IEEE 2015 г. по компьютерному зрению и шаблонам.
Recognition (CVPR), Бостон, Массачусетс, США, 7–12 июня 2015 г.,
1–9,
https://doi.org/10.1109/CVPR.2015.7298594,
2015. a, b, c, d

Томпсон М. Л., Рейнольдс Дж., Кокс Л. Х., Гутторп П. и Сэмпсон П. Д.: A
обзор статистических методов метеорологической корректировки
тропосферный озон, атмос. Окружающая среда, 35, 617–630,
https://doi.org/10.1016/S1352-2310(00)00261-2,
2001. a

Агентство по охране окружающей среды США: документ технической помощи для
Отчетность о ежедневном качестве воздуха – Индекс качества воздуха
(АКИ), доступно по адресу:
https://www.airnow.gov/sites/default/files/2018-05/aqi-technical-assistance-document-may2016.pdf (последний доступ: 18 декабря 2020 г.),
2016. a

Вотар, Р.: Оценка метеорологического воздействия, используемого для
Международная инициатива по оценке модели качества (AQMEII) air
качественные симуляции, Atmos. Окружающая среда, 53, 15–37,
https://doi.org/10.1016/j.atmosenv.2011.10.065,
2012. a

фон Кульман Р., Лоуренс М. Г., Крутцен П. Дж. и Раш П. Дж.: Модель
для исследований тропосферного озона и неметановых углеводородов: Модель
описание и результаты по озону, J. Geophys. рез.-атмосфер.,
108,
Д9,
https://doi.org/10.1029/2002JD002893,
2003. a

Ван Ю., Джейкоб Д. Дж. и Логан Дж. А.: Глобальное моделирование тропосферных
O ₃ -NO _x -химия углеводородов: 1. Формулировка модели, J. Geophys.
Рез.-Атмосферы, 103, 10713–10725, https://doi.org/10.1029/98JD00158,
1998а. a

Ван Ю., Логан Дж. А. и Джейкоб Д. Дж.: Глобальное моделирование тропосферных
O ₃ -NO _x -химия углеводородов: 2. Оценка модели и глобальный баланс озона,
Дж. Геофиз. рез.-атмосфер., 103, 10727–10755,
https://doi.org/10.1029/98JD00157,
1998б. a

ВОЗ: Риски загрязнения воздуха для здоровья в Европе – проект HRAPIE,
Рекомендации по функциям «концентрация-реакция» для соотношения «затраты-выгода»
анализ твердых частиц, озона и диоксида азота, Технический отчет, ВОЗ
Региональное бюро для Европы, Копенгаген,
Дания, доступно по адресу:
http://www.euro.who.int/__data/assets/pdf_file/0006/238956/Health_risks_air_pollution_HRAPIE_project.