Hiilgav lähenemine äärmuslike ilmastikuolude ennustamisele on horisondil, mille initsiatiiviks on Hiina Teaduste Akadeemia (CAS). Uus mudel, mida nimetatakse ED-DLSTM-ks, loobub teiste mudelite kasutatud ajaloolistest vooluandmetest, pakkudes värskendavat alternatiivi, mis põhineb omadustel nagu kõrgus ja sademete hulk.
**CAS-i teadlaste üksikasjaliku teabe kohaselt Innovationi ajakirjas 6. mail reklaamitakse ED-DLSTM-i ülihead võimet prognoosida piirkondlike vesikondade osas suuremat täpsust võrreldes traditsiooniliste masinõppe- ja hüdroloogiamudelitega. Ouyang Chaojun, üks juhtivaid autoreid ja professor CAS-is, avaldas edukaid mudeli rakendusi erinevates piirkondades, mis tuginevad ajaloos jälgitud andmetele.
Mudeli pädevus seisneb selle võimes ennustada veevoolusid basseinides, kus puuduvad vooluandmed – piirkonnad, mis on tavaliselt vihmaküllased, kuid ajalooliste vooluandmeteta. Rohkem kui 95% maailma keskmistest kuni väikestest basseinidest seisavad selle piiranguga, mis seab märkimisväärseid väljakutseid vihma- ja üleujutusprognoosidele.
Teadlased rõhutasid sügavaid raskusi usaldusväärsete vooluprohvetite arendamisel tuhandetele basseinidele, millel puuduvad füüsilised parameetrid või ajaloolised andmed. Riiklikud või piirkondlikud üleujutuste prognoosistrateegiad peavad ületama takistuse ennustada voolusid arvukatele väheuuritud basseinidele.
Selle eduloogu saavutamiseks pakuvad teadlased välja mudeli, mis kasutab eranditult meteoroloogilisi sisendfaktoreid nagu sademete hulk ja temperatuur, koos staatiliste maaomadustega, mis saab pärineda maailmas laialt saadaval olevatelt satelliidiandmetelt. Mudeli täpsust testiti ajalooliste jälgimisandmetega aastatest 2010 kuni 2012, hõlmates üle 2000 basseini USA-st, Kanadast, Kesk-Euroopast ja Ühendkuningriigist.
Vastavalt Ouyangile, see on esimene rahvusvaheline võrdlev analüüs AI ajendatud hüdroloogilisest mudelist, seades uued standardid ruumilise omaduse ja kliimaomaduste käsitlemisel, terav lahknevus integreeritud indeksmudelitest, mis sageli tulemus suurema ennustamise ja simuleerimise veasse. ED-DLSTM-i ennustusvõime on tõestatult erakordselt arenenud.
Asjakohased lisateadmised teemal peale artiklis mainitu võib hõlmata järgmist:
– ED-DLSTM-i lühend tähistab Enkodeerija-Dekodeerija Sügavat Pikka Lühiajalist Mälu, mis on selline tüüpi tehisnärvivõrgu arhitektuur, mis sobib järjestikusele andmele ja on osutunud tõhusaks ülesannete nagu ajajadriduste prognoosimisel.
– Pikad lühiajalise mälu (LSTM) mudelid on eriline liik korduva närvivõrgu (RNN), mis on võimeline õppima pikki kõrvaltähtedest sõltuvusi, eriti oluline ilmafänomenides, mis hõlmavad mustreid aja jooksul.
– AI ja masinõppe kasutamine ilmaprognoosimiseks on kasvav valdkond, mis otsib täiendada ja potentsiaalselt ületada traditsioonilisi numbrilisi ilmaprognoosimismudeleid, mis nõuavad tavaliselt suuri arvutuslikke ressursse.
– Äärmuslike ilmastikunähtuste prognoosimine on oluline varajaste hoiatussüsteemide, katastroofideks valmisoleku ja majanduslike kahjude ja kannatanute leevendamise seisukohast.
Põhisündmuste esitamine:
– Mis on ED-DLSTM mudeli tähtsus ilmaprognoosimisel?
ED-DLSTM mudel on oluline, kuna see suudab anda usaldusväärseid vooluprohveteid basseinides, kus puudub ajalooline vooluandmed, mis moodustab üle 95% maailma keskmistest ja väikestest basseinidest.
– Mis on uue mudeli peamised väljakutsed?
Peamised väljakutsed hõlmavad füüsiliste parameetrite ja ajalooliste vooluandmete puudumist arvukalt basseinidele, mis takistab täpset üleujutuse ja vihmaprognoosi.
Põhilised väljakutsed või vaidlused:
– Üks olulisemaid väljakutseid ED-DLSTM mudeli rakendamisel võib hõlmata mudeli usaldusväärsust ja täpsust piirkondades, kus on keerukas maastik või ebatavalised ilmaprobleemid.
– Võib tekkida mureid AI mudelite nagu ED-DLSTM interpreteeritavuse üle, kuna sügavad õppemudelid on tihti keerulised “mustad karbid” nende keeruliste ja läbipaistmatute otsustusprotsesside tõttu.
Eelised:
– Suudab prognoosida piirkondades, kus ajaloolisi andmeid pole.
– Kasutab ülemaailmselt saadaval olevaid satelliitandmeid.
– On näidanud suuremat täpsust võrreldes traditsiooniliste mudelitega.
Puudused:
– Mudeli seadistamiseks ja koolitamiseks on vaja keerukust ja ressursse.
– Võib olla piiranguid, kui seda rakendatakse piirkondades, kus koolitusandmetes pole unikaalseid omadusi.
Soovitatud seotud link:
– Hiina Teaduste Akadeemia