ИИ-модель использует трансферное обучение для прогнозирования штормовых наводнений в районах с дефицитом данных

Исследователи представили новый метод глубокого обучения для прогнозирования подъёма и спада уровня воды во время штормов, даже в местах, где мареографы выходят из строя или данных мало. Метод, названный LSTM-SAM (Long Short-Term Memory Station Approximated Models), использует технику трансферного обучения, позволяя применять знания, полученные на данных из одного географического района, для прогнозов в другом, где собственных данных недостаточно.

Этот подход имеет решающее значение для защиты уязвимых сообществ, особенно во время составных наводнений, когда несколько источников, такие как дождь и штормовой нагон, объединяются. Традиционные физические модели требуют детальных и дорогостоящих данных, что ограничивает их применение. LSTM-SAM, обученный выделять экстремальные изменения уровня воды, предлагает более быстрые и доступные прогнозы, которые помогают принимать решения об эвакуации и распределении ресурсов.

«Наша цель — создать эффективный метод трансферного обучения, использующий предварительно обученные модели глубокого обучения. Это ключ к быстрой оценке многих подверженных наводнениям районов после урагана», — сказал ведущий автор исследования Самуэль Дарамола. Модель была успешно протестирована на побережье Атлантического океана США и даже смогла реконструировать данные для повреждённых мареографов. Код модели находится в открытом доступе и может работать на обычном ноутбуке, что особенно важно для регионов с ограниченными ресурсами.