На протяжении десятилетий прогнозирование погоды на среднесрочную перспективу (от 1 до 5 дней) в значительной степени основывалось на традиционных численных моделях. Однако этот подход часто сталкивается с трудностями при применении к конкретным регионам с ограниченными историческими данными.
Исследователи из Северо-Западного политехнического университета в Китае предложили новую систему на основе глубокого обучения, которая значительно повышает точность прогнозов, даже при ограниченных данных.
Для решения ключевых задач регионального прогнозирования команда внедрила новый метод, объединяющий три основных инновации:
* использование моделей семантической сегментации, изначально разработанных для анализа медицинских изображений;
* механизм обучаемого гауссовского шума, повышающий надёжность модели;
* каскадная стратегия прогнозирования, разбивающая задачу прогнозирования на управляемые этапы.
Исследование опубликовано в журнале Atmospheric and Oceanic Science Letters.
«Наша цель состояла в том, чтобы сделать региональное прогнозирование более интеллектуальным, быстрым и надёжным, даже в сценариях с ограниченными данными», — говорит доцент Конци Цао, автор исследования. «Это особенно ценно для областей, где нет плотной сети метеорологических наблюдений».
Метод был протестирован на наборе данных регионального конкурса по среднесрочному прогнозированию погоды в Восточном Китае, который включает 10 лет данных повторного анализа из ERA5.
Задача заключалась в использовании прошлых атмосферных переменных для прогнозирования пяти ключевых показателей погоды на поверхности — включая температуру, ветер и осадки — каждые 6 часов в течение следующих 5 дней.
Результаты говорят сами за себя: модель достигла значительного улучшения производительности прогнозирования, превзойдя многие основные глобальные модели прогнозирования с помощью искусственного интеллекта. В частности, метод сократил ошибки прогноза температуры на 9,3%, улучшил показатель F1 для осадков на 6,8% и снизил ошибки скорости ветра на 12,5%.
«Это первый случай, когда семантическая сегментация и механизмы обучаемого шума были использованы вместе для регионального прогнозирования погоды», — объясняет профессор Цао. «Это открывает новые возможности для точного прогнозирования в других регионах с ограниченными данными».
В будущем команда планирует распространить свой метод на системы реального времени и применить его в других регионах Китая. Они надеются, что их работа в конечном итоге послужит потребностям общественной безопасности, сельского хозяйства и предотвращения стихийных бедствий, предоставляя более интеллектуальные, быстрые и локальные прогнозы, когда это наиболее важно.
Предоставлено Chinese Academy of Sciences