Новый алгоритмический фреймворк для прогнозирования наводнений
Новый алгоритмический фреймворк может помочь спасти жизни и уменьшить разрушения, поскольку изменение климата приводит к более интенсивным и непредсказуемым осадкам.
Описание модели
Модель, описанная в International Journal of Information and Communication Technology, использует Multi-Scale Adaptive Neuro-Fuzzy Inference System (MS-ANFIS) и сочетает глубокое обучение с формой нечёткой логики, которая количественно оценивает неопределённость. Эти особенности отсутствовали в более ранних моделях прогнозирования наводнений, основанных на данных.
Фокус наводнений
Обычно прогнозирование наводнений фокусируется на гидрологических моделях, которые имитируют движение осадков по ландшафту и в реки. Они основаны на науке об окружающей среде, но зависят от подробной информации о поверхности земли и могут быть вычислительно затратными, что ограничивает их полезность для быстрого или крупномасштабного прогнозирования.
Попытки снизить вычислительные требования, а также ускорить прогнозы с помощью статистических методов и ранних подходов машинного обучения оказались полезными, но всё ещё не справляются с разнообразными источниками данных или реагированием на высоко локализованные события.
Даже передовые модели глубокого обучения, которые могут выявлять закономерности в огромных наборах данных, рассматривают речные системы как детерминированные по поведению и не учитывают внутреннюю изменчивость, возникающую из-за экстремальных погодных условий.
MS-ANFIS может устранить недостатки более ранних подходов.
Архитектура
MS-ANFIS использует сетевую структуру пирамиды признаков — это архитектура глубокого обучения, которая извлекает информацию в нескольких масштабах. Таким образом, она может фиксировать детальные закономерности стока и более широкие тенденции осадков, видимые в спутниковых данных.
Нечёткий слой затем интерпретирует данные и выражает неопределённость структурированным, понятным образом. В результате получается прогноз наводнения с мерой уверенности в прогнозе.
Тестирование системы
Исследователи протестировали свою систему на данных из пяти крупных речных бассейнов, охватывающих заметно отличающиеся погодные условия и гидрологическое поведение.
Точность модели
Доверительные интервалы модели быстро зафиксировали более 90% экстремальных событий. Такая точность может помочь специалистам по чрезвычайным ситуациям оценивать, когда доверять или подвергать сомнению прогноз в режиме реального времени, и таким образом подготовиться к воздействию вероятного наводнения до его наступления через управление водохранилищами и принятие решений об эвакуации.
Предоставлено Inderscience