Geospatial modeling research identifies key areas for improvement

Группа учёных из Сколтеха и Института искусственного интеллекта AIRI проанализировала научную литературу по геопространственному моделированию, выявила типичные методологические проблемы и предложила решения. Результаты представлены в обзорной статье в журнале Nature Communications.

Исследователи установили, что ключевыми трудностями являются дисбаланс данных, пространственная автокорреляция, систематические ошибки в данных, ошибки прогноза и сложности в оценке неопределённости модели. Хотя эти проблемы хорошо известны, существующие подходы часто их игнорируют, ограничиваясь стандартными процедурами обучения и валидации моделей машинного обучения. Это снижает точность прогнозов для управления экологическими рисками, мониторинга угроз стихийных бедствий и оценки последствий изменения климата.

«Для устранения этих ограничений необходимо развивать методы, учитывающие уникальные особенности экологических данных и пространственно-временных процессов», — отметил соавтор исследования Алексей Зайцев. Авторы представили единый подход к решению таких проблем, включая инструменты для повышения точности моделей и рекомендации по улучшению оценки их качества. Также был создан и опубликован на GitHub открытый сборник передовых инструментов, ресурсов и проектов, использующих геопространственные технологии для решения экологических задач.