Использование алгоритма LightGBM позволило улучшить динамико-статистический метод корректировки климатических моделей. Точность прогнозов за 2019–2022 годы выросла на 7,87%, с 68,6 до 74 баллов, что на 6,63% лучше, чем у традиционных методов.
Проблема традиционных методов заключается в том, что ошибки климатических моделей увеличиваются нелинейно, а линейные методы корректировки не справляются с этой сложностью. Алгоритм LightGBM учитывает сложные связи между метеорологическими факторами и осадками. В прогнозы интегрировали факторы с четкой физической связью с осадками, а вклад каждого параметра был количественно оценен.
Исследователи работают над созданием метода динамико-ML, который объединит физические модели и машинное обучение для более точных и понятных прогнозов. Следующим этапом станет извлечение сигналов из существующих исследований механизмов формирования осадков для улучшения интерпретируемости методов.
Цель исследования — создание стабильной, точной и понятной системы для прогнозирования осадков в сезон наводнений, что поможет снизить последствия экстремальных осадков и связанных с ними катастроф. Интеграция искусственного интеллекта и физических моделей открывает новые возможности для решения климатических вызовов, связанных с изменением климата.
