Модель для прогнозирования штормовых приливов, использует ИИ и законы физики
Ученые Университета Сан-Паулу разработали модель, которая может предсказать с высокой точностью штормовые нагоны, даже при недостатке данных. Модель основана на машинном обучение и на учете физических законов.
Прогнозирование экстремальных явлений имеет важное значение для защиты уязвимых регионов. Город Сантос на побережье штата Сан-Паулу (Бразилия) является крупнейшим портом Латинской Америки. Он стал объектом серьезных тематических исследований, не в последнюю очередь из-за штормовых нагонов, которые угрожают его инфраструктуре и местным экосистемам.
Физика + ИИ
Модели, используемые для прогнозирования уровня моря, приливов, высоты волн и т. д., основаны на дифференциальных уравнениях, содержащих временную и пространственную информацию, такую как астрономический прилив (определяемый относительным положением Солнца, Луны и Земли), скорость и направление ветра, скорость течения, соленость и многие другие.
Эти модели иногда довольно точны, но они сложны и зависят от ряда упрощений и гипотез. Более того, новые типы и источники данных не всегда могут быть интегрированы в эти модели.
Хотя разработчики моделей все чаще используют методы машинного обучения, способные выявлять закономерности и экстраполировать их на новые ситуации, требуется очень много обучающих данных, а они не всегда есть.
«Наше исследование объединило два мира для разработки модели, основанной на машинном обучении, которая использует физические модели в качестве отправной точки, но уточняет их путем добавления эмпирических данных. Эта область исследований известна как машинное обучение с учетом физики, или PIML», — объяснил соавтор работы Марсель Баррос.
Гармонизация этих двух источников информации имеет основополагающее значение для разработки более точных и достоверных прогнозов. Однако использование машинного обучения сталкивается со значительными техническими проблемами при сборе данных. Восстановление вышедших из строя датчиков может занять несколько дней, но прогнозирование штормовых приливов должно работать всегда, даже если данных не хватает.
Проблемы с недостатком данных
«Чтобы справиться с перебоями в данных, мы разработали инновационный метод представления хода времени в нейронных сетях. Это представление позволяет модели заполнять недостающие данные», — сказал Баррос.
«Наша модель сочетает в себе различные виды нейронных сетей для интеграции мультимодальных данных: спутниковые изображения, таблицы и прогнозы численных моделей. В будущем мы планируем добавить текст и аудио. Это важный шаг на пути к более надежным и адаптируемым системам прогнозирования, которые смогут справиться со сложностью и изменчивостью данных, связанных с экстремальными погодными явлениями», — говорит соавтор работы Анна Хелена Реали Коста.
По ее словам, у модели есть три ключевых достоинства: она сочетает в себе физические и численные модели; по-новому представляет время в нейронных сетях; и работает с данными в разных форматах, благодаря мультимодальной архитектуре.
«Исследование предлагает методологию, которая может повысить точность прогнозов экстремальных явлений, таких как штормовые приливы в Сантосе. В то же время оно выдвигает на первый план проблемы и потенциальные решения интеграции физических моделей и данных датчиков в сложных контекстах», — говорит Реали Коста.