גישה חדשנית לחיזוי תנאי מזג אוויר קיצוניים על קרקע – הקדמת האקדמיה הסינית למדעים. המודל החדש, המכונה ED-DLSTM, מסרב להשתמש בנתוני זרימה היסטוריים שבהם נוהגים לסמך מודלים אחרים, ומציע אלטרנטיבה מרעננת בבסיס מאפיינים כגון גובה ומתיחה.
מפורט במחקר שפורסם בכתב העת המיוחד "האינובציה" ב-6 במאי, חוקרי CAS מבקיעים את יכולתו המשופרת של ED-DLSTM לחזוי בצורה מדויקת במים גאוגרפיים אצורים יותר בהשוואה למודלים מסורתיים ללמידת מכונה והידרולוגיים. אויאנג צ'אווג'ון, כותב ראשי ופרופסור ב-CAS, חשף יישומים מוצלחים של המודל באזורים שונים שבהם היו מסתמכים היסטורית על נתונים בדיקה.
היכולת המיוחדת של המודל משתדרת בכוחו לחזות זרימות מים באגמים שחסרים בהם רשומות זרימה – אזורים שנכון למרבית גאוגרפיה העולמית מרוכזים במערכת גשם, אך ריקים מנתוני זרימה היסטוריים. יותר מ-95% מהאגמים הבינוניים והקטנים בעולם נתקלים באתגר משמעותי לחיזוי אפיינים של גשם ושיטת גידולות.
חוקרים הדגישו את הקושי העמוק בפיתוח חיזויי גידולות אמינים עבור אלפי חניקות חסינות לפרמטרים פיסיקליים או נתונים היסטוריים. אסטרטגיות לחיזוי מים בצינורות לאומיות או אזוריות חייבות להתגבר על הקרב הפיתוח של חירום זרימות לבלתי ספור חניקות שלמדו באופן לא מספיק.
לסייע בעשיית הקפיצה הזו ביכולת חיזויים, המדענים מציעים מודל המשתמש באופן בלעדי בפרמטרי קלימה כמו גשם וטמפרטורה, לצד אפייני קרקע סטטיים הניתנים למשך תקופת זמן מהניתנים למידע כאשר הינם נגזרים מחומרים כלל זמינים בשידור בכל העולם. צם חודד הועבר לשנה מידע בהיסטוריה של 2010-2012, מכיל מעל 2,000 נתיקים על פני USA, Canada, Central Europe ו-UK.
בהתאם לעויאנג, הדבר סימן את ההשוואה הראשונית בינלאומית בידי דרך מודל הידרולוגי שנתמך על ידי AI, שהציב תקנים חדשים לטיפול בתכונות מרחביות ומשטרי אקלים, עזיבת עקרון שנפוץ במודלי מקדמים אשר לעיתים מובילים ליתרונות ושגיאות בשטף. היכולת החיזוקית של ED-DLSTM הוכחה להיות מתקדמת במיוחד.
עובדות רלוונטיות נוספות בנושא מעבר לכתב העת כוללות:
– ראשי התיבות של ED-DLSTM מציינים את Encoder-Decoder Deep Long Short-Term Memory, שזו סוגיה של ארכיטקטורת רשת עצבים המתאימה לפונקציות רצף ונמצאת יעילה למטלות כמו חיזוי טיימים.
– מודלי Long short-term memory (LSTM) הם סוג מיוחד של רשת עצבים חוזרת (RNN) שמתאימה ללמידת תלות ביני-זמנית ארוכה, חשובה במיוחד בתופעות הקשורות למזג האוויר אשר כוללות רגעים לאורך הזמן.
– שימוש בהבנת המודלי AI ולמידת מכונה לחיזוי מזג אוויר הוא תחום צומח המבקש לתרום ואף להעלות על מני מודלים מספריים טרכיים מזג אוויר, אשר דורשים קשחי מחשב גבוהים בדרך כלל.
– חיזוי אירועים דווחים חיוני למערכת התראה מוקדמת, הכנת נפילה, והפחתת אובדן כלכלי ואזרחי.
שאלות ותשובות מרכזיות:
– מהו החשיבות של מודל ED-DLSTM לחיזוי מזג אוויר?
מודל ED-DLSTM חשוב כי הוא יכול לספק חזקות זרימה אמינות בחניקות ללא היסטוריית זרימה, אליה מצטלמים מעל 95% מהחניקות בגודל בינוני וקטן בעולם.
– מהן האתגרים העיקריים שנפתרים על ידי המודל החדש?
האתגרים העיקריים כוללים את חוסר הפרמטרים הפיזים והנתונים ההיסטוריים עבור מספר רב של חניקות, מה שמונע חיזוי קרקע וגשם מדויקים.
אתגרים מרכזיים או סוחפים:
– אחד האתגרים המרכזיים בהפעלת מודל ED-DLSTM עשוי לכלול את אמינות המודל והדיוק בעת החלקה באיזורים עם קרקע מורכבת או דפוסי מזג אוויר לא רגילים.
– יתכן שנתקלו בחששות בנוגדיות מודלי AI כמו ED-DLSTM, מאחר שמודלים למידה עמוקה נחשבים לעיתים "קופסאות שחורות" עקב תהליכי החלקה מורכבים ואפרוקטיים שלו.
יתרונות:
– יכול לחזות באזורים ללא נתונים היסטוריים.
– משתמש בנתונים כלליים זמין בשידור.
– הוכח שיש לו עדיפות גדולה בהשוואה למודלים מסורתיים.
חסרונות:
– רמת המושקעות והמשאבים הדרושה ליציבת המודל והכשרו.
– הוא עשוי לסבול ממגבלות כאשר מומש באזורים עם תכונות ייחודיות שאינן נמצאות בנתוני האימון.
המלצה לקישור קשור:
– הפקולטה הסינית למדעים