Обработка данных натурных наблюдений/измерений, модельных экспериментов, данных ДЗЗ

лаборатория: машинного обучения в науках о Земле
организация, город: МФТИ, Москва
даты: июнь - август 2024 г.

Актуальность задачи:
В рамках наших работ мы будем учиться применению методов машинного обучения, нейросетей, в задачах наук об океане. Будут исследованы направления обработки изображений, спутниковых снимков, данных измерений на гидрологических станциях.
Машинное обучение - инструмент, набирающий популярность за счет уникального сочетания выразительной способности и универсальности. С использованием этого набора подходов можно решать самые разные задачи в науках о Земле или, более узко, об океане.

Михаил Криницкий. Основная область интересов - методы исследований, связанные с применением моделей машинного обучения, нейросетей или классической теории вероятностей и мат. статистики в науках о Земле.
Среди задач, которые решаем с использованием таких методов: инженерные задачи (детектирование мор.млекопитающих на снимках, детектирование атмосферных или океанских феноменов в данных моделиования, на спутниковых снимках или в данных навигационной радиолокации), исследовательские задачи (прогнозирование атмосферных эффектов или процессов в океане, повышение разрешения моделирования с использованием нейросетей).
Под моим руководством выполняют работы студенты как естественнонаучных направлений (физика, физика океана, физика атмосферы), так и прикладных (например, студенты Кафедры технологического предпринимательства).

Опубликованные работы по теме задачи:
Rezvov, V. Y., Krinitskiy, M. A., Golikov, V. A., & Tilinina, N. D. (2023). Improvement of the AI-Based Estimation of Significant Wave Height Based on Preliminary Training on Synthetic X-Band Radar Sea Clutter Images. Moscow University Physics Bulletin, 78(Suppl 1), S188-S201.

Varentsov, Mikhail, Mikhail Krinitskiy, and Victor Stepanenko. "Machine Learning for Simulation of Urban Heat Island Dynamics Based on Large-Scale Meteorological Conditions." Climate 11.10 (2023): 200.

Krinitskiy, Mikhail, et al. "Towards the Accurate Automatic Detection of Mesoscale Convective Systems in Remote Sensing Data: From Data Mining to Deep Learning Models and Their Applications." Remote Sensing 15.14 (2023): 3493.

Что предстоит делать: Предстоит решать конкретные задачи обработки и анализа данных, получаемых в экспедициях, по результатам моделирования или спутниковых наблюдений. Будем это делать с применением методов машинного обучения. По факту, работа заключается в программировании и построении научных выводов на основе получаемых статистических результатов.

Методы, приборы, ПО, с которым предстоит работать: Методы машинного обучения.
https://github.com/MKrinitskiy/ML4ES1-F2022-S2023
https://github.com/mkrinitskiy/ML4ES2-F2022-S2023

Программирование на Python (потребуется установка дистрибутива Anaconda и, возможно, дополнительные библиотеки).

Обязательные требования: Опыт программирования на Python
Опыт использования пакетов для анализа и визуализации данных (Numpy, Scipy, Pandas, Matplotlib, Cartopy)
Специализация, уровень образования: Геофизика или прикладная математика, бакалавры 4 курс и выше, магистры, аспиранты

Финансирование: проезд и проживание обеспечивается студентом самостоятельно

Срок стажировки: 2 месяца, возможно дистанционное участие