Объединение машинного обучения с климатической системной моделью улучшает прогнозы осадков в паводковый сезон

Новое исследование применило алгоритмы машинного обучения (МО) для решения нелинейных проблем, с которыми сталкиваются традиционные модели при прогнозировании осадков в паводковый сезон, что привело к значительному повышению точности. Результаты опубликованы в журнале Advances in Atmospheric Sciences.

Текущие прогнозы осадков в паводковый сезон в значительной степени зависят от результатов численных моделей климатической системы, которые часто содержат систематические ошибки. Исследователи использовали алгоритм LightGBM для улучшения динамико-статистического метода коррекции. В испытаниях, проведенных с 2019 по 2022 год, прогнозы значительно улучшились: показатель прогноза (PS) увеличился с 68,6 до 74, что на 7,87% выше, чем у исходной модели, и на 6,63% лучше, чем у традиционных динамико-статистических методов.

Чтобы повысить физическую интерпретируемость модели, исследователи тщательно отобрали метеорологические факторы с четкой физической связью с осадками и интегрировали их в модель. Команда также количественно оценила вклад каждого прогностического фактора. Исследование подчеркивает, что опора исключительно на физические модели или модели МО для улучшения прогнозов имеет ограничения, и исследует метод, эффективно интегрирующий МО с физическими моделями.

«Наши следующие шаги будут сосредоточены на извлечении предсуществующих и оперативных сигналов из исследований механизмов формирования осадков в паводковый сезон для разработки динамико-МО метода с более сильной физической интерпретируемостью», — сказал доктор Юй Хайпэн, автор-корреспондент из Северо-Западного института экологии и ресурсов Китайской академии наук.