Использование ИИ для разгадки влияния Эль-Ниньо на засухи и наводнения

Новое исследование, опубликованное в журнале Nature Communications, показало, что машинное обучение может дать объяснимые данные о влиянии явления Эль-Ниньо на крупнейшие речные системы мира — Ганг, Конго и Амазонку — и, в конечном счете, на региональные погодные условия. Авторы работы использовали методы глубокого обучения для анализа огромных массивов существующих климатических данных.

Этот подход позволяет обнаруживать сложные взаимосвязи между температурой поверхности моря в восточной части Тихого океана, где периодически возникает Эль-Ниньо или Ла-Нинья, и речным стоком по всему миру. Ранее для этого требовалось создание чрезвычайно сложных физических моделей, учитывающих трудноизмеримые потоки между океаном, атмосферой и сушей. Глубокое обучение позволяет извлекать информацию из обширных массивов данных, а не полагаться на упрощенные индексы этого сложного явления.

«Сила этих подходов заключается в способности извлекать эту информацию из огромного океана — в прямом смысле! — данных», — говорит соавтор Ауроп Гангули, со-директор Института глобальной устойчивости Северо-Восточного университета. По его словам, объяснимое глубокое обучение — это новый инструмент, который позволяет понять, как температура поверхности моря коррелирует сама с собой и влияет на речной сток. Полученная информация поможет заинтересованным сторонам лучше готовиться к наводнениям, засухам и другим климатическим явлениям, влияющим на жизни, дома, промышленность, транспорт и производство продуктов питания.

Исследование также демонстрирует, как наука о данных, в частности глубокое обучение, может заполнить пробелы в нашем прогностическом понимании гидроклиматов. В будущем может стать важным изучение возможности решения пробелов в науке о связях моделей путем разработки гибридных физико-ИИ подходов, где численные модели и системы, основанные на дифференциальных уравнениях, могут быть хотя бы частично связаны через машинное обучение.