Китайські дослідники створили новаторську модель штучного інтелекту для прогнозування ризиків повеней по всьому світу
Глибоке навчання зробило значний стрибок вперед завдяки впровадженню ED-DLSTM, моделі штучного інтелекту, розробленої китайськими вченими. На відміну від традиційних моделей, які ґрунтуються на історичних даних про потік, ED-DLSTM використовує атрибути, такі як висота та опади, для прогнозування ризиків повеней.
Революційний підхід з використанням географічних ознак для прогнозування повеней
Цей прорив був відображений в комплексному дослідженні, опублікованому в журналі The Innovation. Оуянг Чаоджун, автор дослідження з Інституту гірських небезпек та навколишнього середовища Китайської академії наук, детально розповів про навчання моделі на континентальному рівні за допомогою басейнів річок з історичними даними моніторингу. Ця стратегія дозволяє здійснювати точні прогнози потоків в регіонах, де немає історичних записів про потік, що є поширеним явищем у гідрології.
Модель показує просування в завданнях крос-регіонального прогнозування потоків
Прогнозування повеней лишається викликом через обмеження калібрування фізичних прогностичних моделей, особливо в немаркованих басейнах, які часто зазнають опадів, але позбавлені даних про потік. Понад 95% середніх та малих басейнів по всьому світу страждають від недостатніх гідрологічних даних, ускладнюючи прогнози на основі моделей, що вимагають таку інформацію.
Висока ефективність на глобальному рівні
Дослідники використали історичні дані моніторингу з понад 2 000 басейнів у США, Канаді, Центральній Європі та Великобританії між 2010-2012 рр., щоб визначити точність моделі. Вони інноваційно обробили просторові атрибути та кліматичні характеристики з плином часу, досягаючи вищої точності прогнозів у порівнянні з іншими моделями. У басейнах, де спостерігається значний дощ або потік, модель ШІ досягла “відмінного” середнього коефіцієнта ефективності Наша-Сутклівище понад 0,6, підтверджуючи її прогностичну силу.
Підтвердження моделі ШІ на немаркованих басейнах у Центральному Чилі
Після цього модель продемонструвала свою застосовність для раніше невивчених регіонів, успішно виконуючи завдання на 160 басейнах без гідропостів у Центральному Чилі, використовуючи переднавчені моделі з континентальних досліджень. Навчання в США було найефективнішим, понад 77% басейнів змогли досягти коефіцієнта ефективності Наша-Сутклівище більше 0. Ці обширні тести підтвердили здатність моделі навчатися загальним гідрологічним поведінкам по різних навчальних наборах, демонструючи потенціал методів глибокого навчання у подоланні поширеного відсутності гідрологічної інформації та недоліків у структурі та параметризації фізичних моделей.
The source of the article is from the blog lanoticiadigital.com.ar