یک رویکرد نوآورانه برای پیشبینی شرایط آب و هوایی بسیار شدید، در دسترسیه، و بر اساس تحقیقات انجام شده توسط دانشگاه علوم کوانگژو چین (CAS)، در ایستگاه است. مدل جدید، که با نام ED-DLSTM به شهرت میرسد، از استفاده از دادههای جریان تاریخی که مدلهای دیگر استفاده میکنند، پرهیز میکند و جایگزینی سرشار از تازگی بر اساس خصوصیتهایی مانند ارتفاع و باران ارائه میدهد.
بر پایه گزارش انتشار یافته در مجله نوآوری در تاریخ 6 می، محققان CAS، توانایی برتر ED-DLSTM را برای پیشبینی در حوزه پهنههای منطقهای با دقت بالاتر نسبت به مدلهای سنتی یادگیری ماشین و هیدرولوژیک تحسین کردند. اویانگ چائوجون، نویسنده اصلی و استاد در CAS، استفاده موفق از مدل در مناطق مختلفی را که تاریخیاً بر دادههای نظارتی اعتماد داشتهاند، آشکار نمود.
مهارت مدل بر این اساس است که قدرت پیشبینی جریان آب در حوضهها را دارد که دادههای جریان ندارند – مناطقی که معمولاً با باران متمرکز شدهاند اما از دادههای جریان تاریخی محروم هستند. بیش از 95 درصد از حوضههای متوسط تا کوچک در سراسر جهان با این محدودیت مواجه هستند، که بزرگترین چالشها را برای پیشبینی باران و سیل ایجاد میکند.
محققان بر اهمیت چندگانه زیاد اندازهگیری شدهاند در توسعه پیشبینیهای جریان معتبر برای هزاران حوضه بدون پارامترهای فیزیکی یا دادههای تاریخی. استراتژیهای پیشبینی سیل ملی یا منطقهای باید موانع پیشبینی جریانها برای حوضههای بیشمری که مورد مطالعه قرار نگرفتهاند پشت سر بگذارند.
برای دستیابی به ارتقای قدرت پیشبینی، دانشمندان پیشنهاد دادند که یک مدلی بسازند که به صورت اختصاصی از عوامل ورودی هواشناسی مانند باران و دما، به علاوه خصوصیتهای حرارتی ثابت استفاده میکند که از دادههای ماهوارهای در دسترس جهانی بهدست آمده است. سختی مدل با استفاده از دادههای نظارتی تاریخی از 2010 تا 2012 آزمایش شد، که شامل بیش از 2000 حوضه درسراسر ایالات متحده، کانادا، اروپای مرکزی و انگلستان بود.
به گفته اویانگ، این اولین تحلیل مقایسهای به مقیاس جهانی توسط یک مدل هیدرولوژیک با اطلاعات هوش مصنوعی است که استانداردهای جدیدی را در دستکاری ویژگیهای فضایی و منظر کلیمایی تعیین میکند، که از مدلهای شاخص یکپارچه متفاوت است که معمولاً منجربه خطاها در پیشبینی و شبیهسازی بیشتر میشود. قدرت پیشبینی ED-DLSTM ثابت شده است که بسیار پیشرفته است.
اطلاعات اضافی مرتبط با محتوای موجود در مقاله شامل:
– چنین ED-DLSTM، مخفف Encoder-Decoder Deep Long Short-Term Memory است، که یک نوع معماری شبکه عصبی است که برای دیتای دنبالهای مناسب است و برای کارهایی مانند پیشبینی سریزمانی موثر ثابت شده است.
– مدلهای Long short-term memory (LSTM) نوعی خاص از شبکههای عصبی مکرر هستند که توانایی یادگیری وابستگیهای بلندمدت را دارند، که به خصوص در پدیدههای مربوط به هواشناسی که الگوها بر فشردهسازی زمانی نیاز دارند، مهم هستند.
– استفاده از هوش مصنوعی و یادگیری ماشین برای پیشبینی آب و هوا یک زمینه روبه رشد است که به دنبال تکمیل و یا حتی فراتر رفتن از مدلهای سنتی پیشبینی هواشناختی عددی است که معمولاً نیازمند منابع محاسباتی بالا میباشند.
– پیشبینی رویدادهای آب و هوایی بسیار شدید برای سیستمهای هشدار زودهنگام، آمادگی برای بلاها و محدود کردن خسارات اقتصادی و تلفات انسانی بسیار حیاتی است.
شئونات یا چالشهای کلیدی:
– یکی از چالشهای اصلی در استفاده از مدل ED-DLSTM ممکن است به معتبریت و دقت مدل در هنگام استفاده در مناطق با زمینشناسی پیچیده یا الگوهای هواشناختی غیر عادی بپیوندد.
– ممکن است نگرانیها در مورد روشنی مدلهای هوش مصنوعی مانند ED-DLSTM وجود داشته باشد، زیرا مدلهای یادگیری عمیق به دلیل فرایندهای تصمیمگیری پیچیده و مبهم، معموب به عنوان جعبههای سیاه شناخته میشوند.
مزایا:
– قادر به پیشبینی در مناطق بدون دادههای تاریخی.
– استفاده از دادههای ماهوارهای در دسترس جهانی.
– نشان داده شده است که دقت بیشتری نسبت به مدلهای سنتی دارد.
معایب:
– پیچیدگی و نیازمندیهای منابع برای راهاندازی و آموزش مدل.
– ممکن است محدودیتهایی داشته باشد هنگام استفاده در مناطق با ویژگیها ویژه که در دادههای آموزش موجود نیستند.
پیوند مرتبط پیشنهادی:
– دانشگاه علوم کوانگژو چین