Стремительное усиление (СУ) тропических циклонов (ТЦ), характеризующееся увеличением интенсивности ветра как минимум на 13 метров в секунду в течение 24 часов, представляет собой одно из самых опасных и трудно предсказуемых явлений в метеорологии. Несмотря на то, что на СУ приходится всего около 5% от всех тропических циклонов, их непредсказуемость и разрушительная мощь представляют серьезную угрозу для прибрежных регионов. Традиционные методы прогнозирования, основанные на численных моделях погоды и статистическом анализе, часто оказываются неспособными учитывать сложные факторы окружающей среды и структурные изменения, которые приводят к СУ. Предыдущие попытки применения искусственного интеллекта (ИИ) также сталкивались с проблемами, включая высокую частоту ложных тревог и ограниченную надежность.
В ответ на эти вызовы, исследователи из Института океанологии Китайской академии наук (IOCAS) разработали новый метод прогнозирования СУ, основанный на «контрастном обучении». Этот инновационный подход к ИИ знаменует собой значительный шаг вперед в точности и надежности прогнозирования экстремальных погодных явлений.
В основе нового метода лежит принцип контрастного обучения, который позволяет модели ИИ учиться, сравнивая и противопоставляя примеры тропических циклонов, подверженных СУ, и тех, которые не усиливаются стремительно. Для этого модель использует два типа входных данных: образец тропического циклона с известным СУ (Вход А) и образец с неизвестным будущим поведением (Вход Б).
Модель извлекает ключевые признаки из обоих входных образцов и вычисляет «расстояние» между ними в многомерном пространстве признаков. Если расстояние между образцами невелико, модель прогнозирует, что Вход Б, вероятно, также подвергнется СУ. Напротив, большое расстояние указывает на то, что Вход Б, скорее всего, не будет демонстрировать стремительного усиления.
Для повышения надежности прогноза, каждый неизвестный образец сравнивается не с одним, а с десятью известными образцами СУ. Используется система «голосования»: если более пяти из десяти сравнений классифицируют неизвестный образец как подверженный СУ, то итоговый прогноз также указывает на СУ.
В качестве входных данных для обучения и работы модели используются спутниковые снимки, а также атмосферные и океанические данные. Для улучшения процесса обучения и предотвращения смещения в сторону более распространенных случаев без СУ, применяется техника балансировки данных, обеспечивающая равное представление случаев СУ и не-СУ. В процессе обучения модель эффективно учится различать ключевые характеристики тропических циклонов, подверженных и не подверженных стремительному усилению, путем постоянного сравнения двух типов входных данных.
Эффективность нового метода была тщательно проверена на данных о тропических циклонах в северо-западной части Тихого океана за период 2020-2021 годов. Результаты показали впечатляющую точность прогнозирования, достигающую 92,3%. При этом частота ложных тревог была снижена до 8,9%. По сравнению с существующими методами, новый подход продемонстрировал улучшение точности на 12% и снижение ложных тревог в три раза. Эти показатели свидетельствуют о значительном прогрессе в области прогнозирования СУ.
Для подтверждения применимости модели в оперативных условиях, была проведена дополнительная валидация с использованием прогностических данных численной модели ECMWF-IFS (Интегрированная система прогнозирования Европейского центра среднесрочных прогнозов погоды) за тот же период 2020-2021 годов. Результаты показали сопоставимую точность прогнозирования, что подтверждает надежность модели и ее пригодность для использования в реальном времени. Возможность оперативного прогнозирования СУ с такой точностью может существенно улучшить системы раннего предупреждения и повысить готовность к стихийным бедствиям по всему миру.
Профессор Ли Сяофэн, ведущий автор исследования, опубликованного 21 января 2025 года в журнале Proceedings of the National Academy of Sciences (PNAS) под названием "Advancing forecasting capabilities: A contrastive learning model for forecasting tropical cyclone rapid intensification" (DOI: 10.1073/pnas.2415501122), подчеркнул значимость разработки: «Это исследование направлено на решение проблем низкой точности и высокой частоты ложных тревог в прогнозировании СУ тропических циклонов. Наш метод углубляет понимание этих экстремальных явлений и способствует разработке более эффективных мер защиты от их разрушительных последствий». Статья, подготовленная Чонгом Ваном и другими соавторами, представляет собой важный шаг на пути к более надежному прогнозированию опасных погодных явлений.
Новость об этом прорывном исследовании была опубликована на портале 23 января 2025 года. Полученные результаты открывают новые перспективы для заблаговременного предупреждения о надвигающихся угрозах, связанных со стремительным усилением тропических циклонов, и предоставляют ценный инструмент для повышения безопасности прибрежных населенных пунктов.
Изображение носит иллюстративный характер
В ответ на эти вызовы, исследователи из Института океанологии Китайской академии наук (IOCAS) разработали новый метод прогнозирования СУ, основанный на «контрастном обучении». Этот инновационный подход к ИИ знаменует собой значительный шаг вперед в точности и надежности прогнозирования экстремальных погодных явлений.
В основе нового метода лежит принцип контрастного обучения, который позволяет модели ИИ учиться, сравнивая и противопоставляя примеры тропических циклонов, подверженных СУ, и тех, которые не усиливаются стремительно. Для этого модель использует два типа входных данных: образец тропического циклона с известным СУ (Вход А) и образец с неизвестным будущим поведением (Вход Б).
Модель извлекает ключевые признаки из обоих входных образцов и вычисляет «расстояние» между ними в многомерном пространстве признаков. Если расстояние между образцами невелико, модель прогнозирует, что Вход Б, вероятно, также подвергнется СУ. Напротив, большое расстояние указывает на то, что Вход Б, скорее всего, не будет демонстрировать стремительного усиления.
Для повышения надежности прогноза, каждый неизвестный образец сравнивается не с одним, а с десятью известными образцами СУ. Используется система «голосования»: если более пяти из десяти сравнений классифицируют неизвестный образец как подверженный СУ, то итоговый прогноз также указывает на СУ.
В качестве входных данных для обучения и работы модели используются спутниковые снимки, а также атмосферные и океанические данные. Для улучшения процесса обучения и предотвращения смещения в сторону более распространенных случаев без СУ, применяется техника балансировки данных, обеспечивающая равное представление случаев СУ и не-СУ. В процессе обучения модель эффективно учится различать ключевые характеристики тропических циклонов, подверженных и не подверженных стремительному усилению, путем постоянного сравнения двух типов входных данных.
Эффективность нового метода была тщательно проверена на данных о тропических циклонах в северо-западной части Тихого океана за период 2020-2021 годов. Результаты показали впечатляющую точность прогнозирования, достигающую 92,3%. При этом частота ложных тревог была снижена до 8,9%. По сравнению с существующими методами, новый подход продемонстрировал улучшение точности на 12% и снижение ложных тревог в три раза. Эти показатели свидетельствуют о значительном прогрессе в области прогнозирования СУ.
Для подтверждения применимости модели в оперативных условиях, была проведена дополнительная валидация с использованием прогностических данных численной модели ECMWF-IFS (Интегрированная система прогнозирования Европейского центра среднесрочных прогнозов погоды) за тот же период 2020-2021 годов. Результаты показали сопоставимую точность прогнозирования, что подтверждает надежность модели и ее пригодность для использования в реальном времени. Возможность оперативного прогнозирования СУ с такой точностью может существенно улучшить системы раннего предупреждения и повысить готовность к стихийным бедствиям по всему миру.
Профессор Ли Сяофэн, ведущий автор исследования, опубликованного 21 января 2025 года в журнале Proceedings of the National Academy of Sciences (PNAS) под названием "Advancing forecasting capabilities: A contrastive learning model for forecasting tropical cyclone rapid intensification" (DOI: 10.1073/pnas.2415501122), подчеркнул значимость разработки: «Это исследование направлено на решение проблем низкой точности и высокой частоты ложных тревог в прогнозировании СУ тропических циклонов. Наш метод углубляет понимание этих экстремальных явлений и способствует разработке более эффективных мер защиты от их разрушительных последствий». Статья, подготовленная Чонгом Ваном и другими соавторами, представляет собой важный шаг на пути к более надежному прогнозированию опасных погодных явлений.
Новость об этом прорывном исследовании была опубликована на портале 23 января 2025 года. Полученные результаты открывают новые перспективы для заблаговременного предупреждения о надвигающихся угрозах, связанных со стремительным усилением тропических циклонов, и предоставляют ценный инструмент для повышения безопасности прибрежных населенных пунктов.
