Международен изследователски екип, в сътрудничество с Технологичния университет в Сидни (UTS), представи нов подход за дългосрочно прогнозиране на наводнения, който поддържа висока точност до 12 седмици напред. Работата, публикувана в Journal of Hydrologic Engineering, използва исторически данни за валежите и речния отток от басейна на река DuPage в щата Илинойс, обхващащи период от 20 години, и прилага съвременни модели за дълбоко обучение с механизми за внимание, способни да разпознават сложни зависимости във времевия ред.
Изследователите описват методология, при която множество модели с изкуствен интелект се обучават върху отличаващи се характеристики на хидрологичните данни и след това се комбинират в ансамбъл, за да се подобри общата прогноза. Комбинирането на отделни предсказания е довело до намаляване на грешките при моделирането с около 38 процента спрямо базов подход, а допълнително разработен способ за обединяване на данните — т.нар. data fusion — е подобрил показателите за прогнозиране с около 47 процента.
Ключовият елемент в предложените модели е използването на attention механизми, които позволява на алгоритмите да „се фокусират“ върху релевантни части от историческите записи за валежи и река, вместо да обработват всички данни с еднаква тежест. Според авторите това дава възможност да бъдат хванати както краткосрочни аномалии, така и дългосрочни модели, които предизвикват повишаване на речния отток и риск от наводнение.
Проф. Амир Х. Гандоми от UTS, един от съавторите на изследването, посочва, че увеличеният хоризонт на прогнозиране — до 12 седмици — може да осигури значително предимство за местните власти и общности. По думите му по-дългият период за предупреждение би дал повече време за планиране на евакуации, укрепване на критична инфраструктура и други превантивни мерки, които ограничават щетите и риска за населението.
Изследователите подчертават и приложимостта на предложеното решение извън конкретния басейн DuPage. Те посочват, че методът може да бъде прилагат и при управлението на риска от наводнения, планирането при бедствия, повишаването на устойчивостта на инфраструктурата и ефективното управление на водните ресурси в различни региони, при условие че се осигурят достатъчни исторически данни за обучение.
В статията е отбелязано, че комбинацията от няколко модела дава по-стабилни предсказания при вариабилни климатични условия и че подходите за обединяване на резултатите намаляват влиянието на единични грешки от отделни модели. Това е важно за практическото внедряване, тъй като системите за ранно предупреждение изискват надеждност и предсказуемост, за да могат отговорните институции да вземат своевременни решения.
Екипът отделя внимание и на технологичните и оперативни предизвикателства при внедряване на такива решения в реални условия — от необходимостта от непрекъснат поток от наблюдения до интеграцията с локалните системи за управление на кризи. Анализите сочат, че дори когато точността отслабва с увеличаването на времевия хоризонт, комбинираните модели запазват достатъчно представяне, което прави 12-седмичните предупреждения практически полезни.
„В крайна сметка целта не е просто да прогнозираме наводненията по-точно, а да превърнем по-добрите прогнози в по-добри решения“, казва проф. Гандоми, подчертавайки важността на връзката между научните резултати и действителните мерки за управление на риска. За допълнителни детайли по методите и резултатите съобщава town.bg.
Източник: Синхуа
Абонирайте се за нас в Google News.
