Исследование экстремальных осадков демонстрирует улучшение прогнозирования с помощью машинного обучения, управляемого физикой

Исследовательская группа сосредоточилась на экстремальном дождевом событии "21·7" в провинции Хэнань в 2021 году. Проанализировав аномальные физические характеристики и поняв систематические ошибки прогнозов нескольких моделей, ученые значительно повысили точность прогнозов интенсивности осадков. Это улучшение было достигнуто за счет включения в функцию потерь нейронной сети оптимизационных метрик и ограничений, лучше соответствующих физическим и данным характеристикам осадков.

Конкретно, используя недифференцируемое среднее значение TS по нескольким порогам в качестве функции потерь и BIAS в качестве ограничения, команда оптимизировала параметры модели с помощью иммунного эволюционного алгоритма многокритериальной оптимизации. Этот подход показал значительные результаты как в оперативной корректировке прогноза события "21·7", так и в корректировке на основе долгосрочных исторических рядов осадков.

Модель, обучаясь на связи между аномальными физическими характеристиками и сильными осадками, значительно улучшила прогноз их интенсивности. Однако корректировка пространственного распределения осадков оказалась сложной задачей и часто приводила к существенным ложным тревогам. Это связано с тем, что крупномасштабная информация, содержащаяся в стабильной аномальной циркуляции и физических характеристиках во время экстремальных осадков, совпадает с ошибками модели, а небольшое количество образцов таких событий вынуждает использовать алгоритмы с низкой сложностью.

Интеграция нескольких прогнозов осадков с помощью машинного обучения позволяет извлечь преимущества детальных структур каждого прогноза и значительно повысить точность прогноза их распределения. Однако улучшение интенсивности осадков при этом ограничено. Комплексная корректировка как распределения, так и интенсивности осадков может быть достигнута путем интеграции "хороших и различных" прогнозов нескольких моделей с соответствующими аномальными признаками.

Будущие исследования должны быть сосредоточены на том, как полностью использовать многочисленные наблюдения со спутников, радаров и других инструментов для понимания характеристик ошибок и физических причин прогнозов осадков различных моделей. Стоит изучить введение признаков более высокой размерности от нескольких моделей и аномальных физических характеристик, тесно связанных с сильными осадками.

Разработка сетевых моделей, всесторонне представляющих информацию от нескольких моделей и аномальные признаки, тем самым достигая глубокой интеграции физических и интеллектуальных технологий, является ключевым направлением для улучшения прогнозирования сильных осадков в будущем.

Исследование опубликовано в журнале Science China Earth Sciences. Работа выполнена под руководством профессора Ци Чжона и профессора Сюпин Яо из Учебного центра Китайского метеорологического управления и инженера-ассистента Чжича Чжана из Метеорологической обсерватории Чжэцзяна совместно с другими членами исследовательской группы.