به گزارش ساوت چاینا مورنینگ پست، محققان در آکادمی علوم چین (CAS) توضیح دادند که چگونه مدل آنها از دیگران بهتر عمل می‌کند. آنها این مدل را در چندین مقیاس قاره‌ای با استفاده از حوضه‌های با داده‌های پایش تاریخی از قبل آموزش دادند. این مدل می‌تواند پیش بینی جریان را در حوضه‌هایی که سوابق جریان ندارند انجام دهد.
این مدل پیشنهادی به عملکرد پیشرفته‌ای در وظایف پیش‌بینی جریان متقابل منطقه‌ای نسبت به سایر مدل‌های یادگیری ماشین و هیدرولوژیکی کلاسیک دست یافته است.
پیش بینی جریان و سیل یکی از چالش‌های طولانی مدت در هیدرولوژی است. این به دلیل محدودیت در کالیبراسیون مدل‌های پیش‌بینی فیزیکی، به‌ویژه در حوضه‌های آبریز غیرسنجیده – مناطقی که باران جمع می‌شود و فاقد سوابق جریانات است – و همچنین نیاز به استفاده از اطلاعات تاریخی جریان برای مدل‌های مبتنی بر داده است.
بیش از ۹۵ درصد از حوضه‌های کوچک و متوسط در سراسر جهان فاقد سوابق هیدرولوژیکی یا محدود هستند، که تکیه بر مدل‌هایی را که به این اطلاعات برای پیش بینی سیل نیاز دارند، دشوار می‌کند. بسیاری از مدل‌های پیش‌بینی به داده‌های تاریخی باکیفیت نیاز دارند و چالش بزرگ پیش‌بینی برای هزاران حوضه بدون دسترسی به پارامترهای فیزیکی یا داده‌های تاریخی را نشان می‌دهد.
این مدل جدید همچنین بر پیش‌بینی‌ها برای یک منطقه معین، با استفاده از داده‌های محلی که هیچ ارزیابی برای پیش‌بینی جریان در مقیاس جهانی ارائه نمی‌دهد، متمرکز شده است.
توسعه استراتژی‌های ملی یا منطقه‌ای پیش‌بینی سیل باید بر پیش‌بینی جریان آب از هزاران حوضه که نه پارامتر فیزیکی و نه سابقه تاریخی دارند، تکیه کند. برای دستیابی به این هدف، محققان مدلی را با استفاده از ورودی‌های هواشناسی مانند بارندگی و دما و همچنین ویژگی‌های زمین ساکن پیشنهاد کردند. ویژگی‌های ساکن مانند ویژگی‌های خاک را می‌توان از داده‌های ماهواره‌ای که در سرتاسر جهان در دسترس است به دست آورد.
محققان از داده‌های پایش تاریخی از سال ۲۰۱۰ تا ۲۰۱۲ – که بیش از ۲ هزار حوضه آبریز در ایالات متحده، کانادا، اروپای مرکزی و بریتانیا را پوشش می‌دهد – برای آزمایش دقت مدل خود در مقایسه با چندین مدل دیگر استفاده کردند. این مناطق در سطح قاره دارای الگوهای جریان هوا، دما، رطوبت خاک و بارش متفاوتی هستند که تیم محققین چینی آن را در نظر گرفت. برای اولین بار، چندین مدل هوش مصنوعی هیدرولوژیکی آموزش دیدند و تحلیل‌های مقایسه‌ای را در مقیاس جهانی ارائه کردند. در مدل چینی، ویژگی‌های فضایی و ویژگی‌های آب و هوایی در یک بازه زمانی به طور جداگانه پردازش می‌شوند، که با مدل‌های دیگر که از شاخص تجمع استفاده می‌کنند متفاوت است.
در مقایسه با سایر مدل‌ها، ED-DLSTM قابلیت‌های پیش‌بینی بهتری را نشان می‌دهد. این مدل می‌تواند رفتارهای هیدرولوژیکی جهانی را در مجموعه‌های آموزشی مختلف بیاموزد.
منبع: scmp
