Исследован синтез ионограмм вертикального радиозондирования ионосферы с использованием физически информированных нейронных сетей. В предложенном подходе нейронная сеть применена не для непосредственного формирования изображения, а для аппроксимации высотного профиля электронной концентрации. Обучение сети выполнено с учетом стационарного одномерного уравнения баланса, включающего источник ионизации, рекомбинационные потери и эффективный перенос заряженных частиц. В функцию потерь дополнительно введены граничные условия, ограничение на гладкость профиля и диагностические параметры слоя F₂. Полученный профиль электронной концентрации преобразован в распределение плазменной частоты по высоте. Затем без учета магнитного поля Земли и столкновений электронов с другими частицами рассчитаны точки отражения, групповой показатель преломления и зависимость действующей высоты от частоты зондирования. На основе этой зависимости сформировано синтетическое изображение ионограммы с фоновым шумом и вертикальными помеховыми структурами. В пилотном эксперименте получены физически разумные масштабы максимума электронной концентрации и критической частоты слоя F₂. Результаты подтверждают возможность построения единой физически согласованной цепочки от высотного профиля электронной концентрации до изображения ионограммы. Разработанный подход может применяться для генерации контролируемых синтетических данных, исследования влияния параметров ионосферы на форму ионограммных следов и последующей разработки алгоритмов автоматической обработки результатов радиозондирования.

Проведен сравнительный анализ методов сегментации изображений пожара с использованием пороговой обработки в цветовом пространстве HSV и нейронной сети U-Net. Цель исследования заключалась в оценке эффективности этих подходов по времени выполнения и точности детекции огня на основе метрик RMSE, IoU, Dice и MAPE. Эксперименты были проведены на четырех различных изображениях пожара с вручную подготовленными истинными масками пожаров. Результаты показали, что метод HSV обеспечивает высокую скорость обработки (0.0010–0.0020 с), но склонен к детекции не только огня, но и дыма, что снижает его точность (IoU 0.0863–0.3357, Dice 0.1588–0.5026). Нейронная сеть U-Net демонстрирует более высокую точность сегментации огня (IoU – до 0.6015, Dice – до 0.7512) за счет избирательного выделения пламени, однако требует значительно большего времени (1.2477–1.3733 с) и может недооценивать общую площадь пожара (MAPE – до 78.5840%). Визуальная оценка подтвердила различия в поведении методов: HSV захватывает дым как часть целевой области, тогда как U-Net фокусируется исключительно на огне. Выбор между методами зависит от приоритетов задачи: скорости или точности. Предложены направления дальнейших исследований, включая оптимизацию U-Net и разработку гибридных подходов.

Исследована эффективность моделей ImageNet diffusion model и CLIP для генерации изображений по текстовому описанию. С использованием различных текстовых вводов на разных параметрах проведены два эксперимента для определения лучших параметров при генерации изображений на основе текстового описания. Результаты показали, что, хотя ImageNet хорошо справляется с созданием изображений, CLIP лучше обеспечивает соединение текстовых подсказок с релевантными изображениями. Полученные результаты характеризуют высокий потенциал объединения названных моделей для создания высококачественных и контекстно релевантных изображений на основе текстового описания.