Istraživački tim se fokusirao na događaj ekstremnih padavina „21·7“ u Henanu 2021. Analizom anomalnih fizičkih karakteristika i razumevanjem pristrasnosti prognoze sa više modela, značajno su poboljšali tačnost prognoze intenziteta padavina. Ovo poboljšanje je postignuto ugrađivanjem metrika optimizacije i ograničenja koja su bolje prilagođena fizičkim karakteristikama i karakteristikama podataka padavina u funkciju gubitka neuronske mreže.
Konkretno, korišćenjem nediferenciranog višepragovog TS srednjeg vrednosti kao funkcije gubitka i BIAS-a kao ograničenja, istraživački tim je optimizovao parametre modela korišćenjem imunoevolucionog algoritma za multi-objektivnu optimizaciju. Ovaj pristup je postigao značajne rezultate kako u skoro realnom vremenu, tako iu korekciji u skoro realnom vremenu prognoze ekstremnih padavina „21·7“ i korekciji zasnovanoj na dugoročnim istorijskim sekvencama padavina.
Model je kroz učenje odnosa između anomalnih fizičkih karakteristika i obilnih padavina značajno poboljšao intenzitet prognoze padavina. Međutim, prilagođavanje raspodele padavina pokazalo se izazovnim i često je rezultiralo značajnim lažnim alarmima. Ovo je zbog informacija velikih razmera sadržanih u stabilnoj anomalnoj cirkulaciji i fizičkim karakteristikama tokom ekstremnih padavina, što je u skladu sa pristrasnošću padavina u modelu, zajedno sa oskudnošću uzoraka ekstremnih padavina, što dovodi do upotrebe algoritama manje složenosti.
Korišćenjem mašinskog učenja za integraciju višestrukih prognoza padavina, postoji potencijal da se izvuku prednosti detaljnih struktura u svakoj prognozi, čime se značajno poboljšava tačnost prognoza distribucije padavina. Međutim, povećanje intenziteta padavina ostaje ograničeno. Integrisanjem „dobrih i drugačijih“ multimodelskih prognoza sa odgovarajućim anomalnim karakteristikama može se postići sveobuhvatno prilagođavanje i distribucije i intenziteta padavina.
Buduća istraživanja bi trebalo da se fokusiraju na to kako u potpunosti iskoristiti posmatranja sa više izvora sa satelita, radara i drugih instrumenata da bi se razumele karakteristike pristrasnosti i fizički uzroci multimodelskih prognoza padavina. Vredi istražiti uvođenje višedimenzionalnih karakteristika multimodela i anomalnih fizičkih karakteristika usko povezanih sa velikim padavinama.
Razvijanje mrežnih modela koji na sveobuhvatan način predstavljaju multimodelne informacije i anomalne karakteristike, čime se postiže duboka integracija fizičkih i inteligentnih tehnologija, ključni je pravac za poboljšanje predviđanja velikih padavina u budućnosti.
Rad je objavljen u časopisu Science China Earth Sciences. Ovu studiju su vodili profesor Ki Zhong i profesor Ksiuping Iao iz Centra za obuku kineske meteorološke uprave i pomoćnik inženjera Zhicha Zhang iz Meteorološke opservatorije Zhejiang, zajedno sa drugim članovima istraživačkog tima.
