Новаторский подход к прогнозированию экстремальных погодных условий на горизонте благодаря Китайской академии наук (CAS). Новая модель, названная ED-DLSTM, отказывается от использования исторических данных о потоке, которые используют другие модели, предлагая освежающую альтернативу на базе атрибутов, таких как высота и осадки.
Опубликованная 6 мая в журнале The Innovation, исследователи CAS выделяют превосходную способность ED-DLSTM прогнозировать в масштабах региональных бассейнов с более высокой точностью по сравнению с традиционными моделями машинного обучения и гидрологическими моделями. Оуянг Чаоцзюн, ведущий автор и профессор в CAS, раскрыл успешное применение модели в различных регионах, которые исторически полагаются на мониторинг данных.
Искусство модели заключается в ее способности прогнозировать водные потоки в бассейнах, для которых нет записей о потоке — зон, обычно концентрирующих осадки, но лишенных исторических данных о потоке. Более 95% средних и малых бассейнов по всему миру сталкиваются с этим ограничением, представляя значительные трудности для прогнозирования осадков и наводнений.
Исследователи подчеркнули глубокие трудности в разработке надежных прогнозов потоков для тысяч бассейнов без физических параметров или исторических данных. Национальные или региональные стратегии прогнозирования наводнений должны преодолеть барьер предсказания потоков для многочисленных недостаточно изученных бассейнов.
Для достижения этого рывка в прогностической мощи ученые предлагают модель, использующую исключительно метеорологические факторы входных данных, такие как осадки и температура, наряду со статическими земельными атрибутами, которые могут быть получены из глобально доступных данных спутников. Точность модели была проверена с использованием исторических мониторинговых данных с 2010 по 2012 год, охватывающих более 2,000 бассейнов в США, Канаде, Центральной Европе и Великобритании.
По словам Оуянга, это первый глобальный сравнительный анализ на уровне ИИ-приводной гидрологической модели, установивший новые стандарты в обработке пространственных атрибутов и климатических особенностей, являясь кардинальным отходом от интегрированных индексных моделей, которые часто приводят к большим ошибкам предсказания и моделирования. Прогностические возможности ED-DLSTM доказали свое исключительное продвинутое качество.