Предложен метод моделирования динамических процессов на поверхности Земли, таких как пожары, наводнения, сели, разливы нефти, в условиях априорной неопределенности. Данный метод основан на получении
и усвоении данных моделью в ходе развития процесса. Усвоение данных обеспечивается использованием рекуррентной нейронной сети и калмановской фильтрации. Описан процесс обучения нейронной сети и предложен
метод ускорения обучения нейронной сети путем использования фильтра Калмана. Проанализирована эффективность предложенного метода.
A method of modeling a dynamic process on the Earth surface, such as wildfires, floods, mudslides,
oil spills, in the conditions of a priori uncertainty is proposed. This method is based on the
data assimilation approach. Data assimilation is realized using recurrent neural networks and
Kalman filtering. The training process of the neural network is described and also we propose a
method for accelerating neural network training through the using of a Kalman filter. The efficiency
of its application is analyzed.