Машинное обучение улучшает прогнозы снегопадов для горных районов Запада США

Новое исследование учёных из Университета Юты направлено на повышение точности прогнозов снегопадов в сложном горном рельефе Запада США. Для этого исследователи применили методы машинного обучения к уникальному набору ручных измерений снега, собранных профессионалами по безопасности на 14 горных участках.

Ключевой проблемой прогнозирования является широко варьирующееся отношение снега к воде (СЖО), то есть плотность снега. В отличие от условного «правила» 10:1, актуального для востока страны, на Западе СЖО может колебаться от 2:1 (мокрый снег) до 100:1 (сухой порошок). Точное предсказание этого параметра критически важно для прогноза высоты снежного покрова. Исследователи во главе с профессором Джимом Стинбургом использовали данные, которые в течение шести лет ежедневно собирали специалисты по лавинной безопасности на трассах и горных дорогах в Юте, Колорадо, Вайоминге и других штатах.

«Если у вас нет хорошего отношения снега к воде, ваши прогнозы снегопада не будут точными», — пояснил ведущий автор исследования Питер Вилс. Модель на основе метода «случайного леса», обученная на этих тщательных ручных замерах и погодных переменных, объяснила почти половину изменчивости плотности снега, что значительно превосходит результаты действующих оперативных моделей. Это повысит надёжность прогнозов для управления водными ресурсами, работы дорожных служб и лавинных прогнозистов. Исследование опубликовано в журнале Weather and Forecasting.