Прогнозы штормовых нагонов улучшаются благодаря гибридному полю ветра и моделям машинного обучения

Исследовательская группа под руководством профессора Мао Мяохуа из Янтайского института исследований прибрежной зоны Китайской академии наук разработала метод прогнозирования штормовых нагонов. Этот инновационный подход повышает качество моделирования ветрового поля тайфуна за счёт использования гибридного ветрового поля.

Учёные создали четыре модели машинного обучения для прогнозирования штормовых нагонов, что значительно повысило точность прогнозов при интеграции с Моделью океана сообщества конечных объёмов (FVCOM-ML). Результаты исследования опубликованы в Journal of Geophysical Research: Machine Learning and Computation.

Точные и своевременные прогнозы штормовых нагонов крайне важны для эффективного управления прибрежными зонами и снижения рисков. Полузамкнутое Бохайское море в северо-западной части Тихого океана, исторически менее подверженное воздействию тайфунов, в последнее время столкнулось со сдвигом в паттернах тайфунной активности. В связи с этим надёжные прогнозы нагонов стали критически важны для защиты жизни и имущества в прибрежных регионах.

В данном исследовании гибридное ветровое поле было создано путём комбинации реаналитического ветрового поля с моделью Холланда. Команда разработала четыре модели машинного обучения для компенсации недостающих данных, используя численное моделирование штормовых нагонов, проведённое с помощью Advanced Circulation Model.

Интеграция этих методов повышает точность прогнозов и снижает неопределённость, обеспечивая прогнозы штормовых нагонов с заблаговременностью 6, 12 и 18 часов в связке с FVCOM (FVCOM-ML). Хотя для прогнозов нагонов в одной точке и на один шаг вперёд точность четырёх моделей машинного обучения не имеет значимых различий, она имеет тенденцию к снижению с увеличением заблаговременности прогноза.

Точность прогнозов интегрированной модели для штормовых нагонов в одной точке на несколько шагов вперёд более чем на 30% выше, чем у отдельных моделей. Кроме того, прогностическая производительность интегрированной модели для нагонов в нескольких точках существенно превосходит одиночные модели, особенно для прогнозов на несколько шагов вперёд в нескольких точках.

Комбинируя методы машинного обучения с численными моделями, FVCOM-CNN-LSTM и FVCOM-ConvLSTM демонстрируют высокие прогностические способности. В отличие от традиционного машинного обучения, которое полагается исключительно на целевые функции и не следует физическим принципам, FVCOM-ML моделирует остатки, что эффективно снижает неопределённости, типичные для традиционных методов. Точность прогнозов моделей машинного обучения в заливах Бохай и Лайчжоу превышает таковую для залива Ляодун.

По сравнению с одиночными моделями, интегрированные модели повышают точность прогнозов штормовых нагонов в Бохайском море на 18%. Более того, использование методов машинного обучения может снизить затраты, связанные с прогнозированием штормовых нагонов, что позиционирует эти модели как потенциальные системы оперативного прогнозирования будущих нагонов.