Mô hình AI kỳ lạ của Trung Quốc
Trong khi thế giới nghiên cứu các mô hình AI phục vụ các mục đích thiết yếu của cuộc sống hàng ngày thì các nhà khoa học ở Trung Quốc bắt đầu phát triển mô hình trí tuệ nhân tạo có thể dự đoán nguy cơ lũ lụt. lũ lụt không chỉ ở trong nước mà trên toàn thế giới.
Được gọi là ED-DLSTM, mô hình này không dựa vào dữ liệu dòng chảy lịch sử như các mô hình dự báo khác mà sử dụng các thuộc tính như độ cao và lượng mưa.
Trong bài viết đăng trên tạp chí The Innovation ngày 6/5, một nhóm các nhà nghiên cứu tại Viện Hàn lâm Khoa học Trung Quốc (CAS) đã trình bày chi tiết về tính ưu việt của mô hình.
![Trung Quốc chuyên chế tạo những mẫu AI lạ có khả năng cũng lạ không kém: Trung Quốc chuyên chế tạo những mẫu AI lạ có khả năng cũng lạ không kém:](https://diaocthoibao.com/wp-content/uploads/2024/05/Khoa-hoc-cong-nghe-va-doi-moi-sang-tao-la.png)
Ouyang Chaojun, tác giả của Viện Rủi ro và Môi trường miền núi CAS cho biết: “Chúng tôi đã đào tạo mô hình trên một số quy mô lục địa bằng cách sử dụng các lưu vực có dữ liệu giám sát lịch sử”. Ông giải thích điều này có thể đưa ra dự đoán dòng chảy ở các lưu vực thiếu hồ sơ dòng chảy.
Các nhà nghiên cứu nhấn mạnh rằng mô hình này đạt được hiệu suất nâng cao trong các nhiệm vụ dự báo dòng chảy xuyên khu vực so với các mô hình học máy và thủy văn cổ điển khác.
Dự báo dòng chảy và lũ lụt vẫn là một trong những thách thức lâu dài trong thủy văn. Điều này là do những hạn chế trong việc hiệu chỉnh các mô hình dự báo vật lý, đặc biệt là ở các lưu vực không có trạm đo – những khu vực có lượng mưa tập trung nhưng thiếu số liệu về dòng chảy.
CAS cho biết hơn 95% lưu vực vừa và nhỏ trên toàn thế giới thiếu hoặc có dữ liệu thủy văn hạn chế, gây khó khăn cho việc dựa vào các mô hình cần thông tin để dự báo lượng mưa và lũ lụt.
Nhóm nhấn mạnh khó khăn: “Việc phát triển các chiến lược dự báo lũ cấp quốc gia hoặc khu vực… phải dựa vào dự đoán dòng chảy từ hàng nghìn lưu vực mà không có thông số vật lý cũng như hồ sơ lịch sử nào”.
Để khắc phục vấn đề trên, các nhà nghiên cứu đã đề xuất một mô hình chỉ sử dụng các yếu tố đầu vào như lượng mưa và nhiệt độ cũng như các đặc tính tĩnh của đất.
Nhóm nghiên cứu cho biết các đặc tính tĩnh như đặc điểm của đất “có thể được lấy từ dữ liệu vệ tinh có sẵn trên toàn thế giới”.
Hiệu quả cao trên quy mô toàn cầu
Các nhà nghiên cứu đã sử dụng dữ liệu giám sát lịch sử từ năm 2010 đến năm 2012 – bao gồm hơn 2.000 lưu vực ở Mỹ, Canada, Trung Âu và Vương quốc Anh – để kiểm tra độ chính xác của mô hình so với một số mô hình. hình ảnh khác.
![Trung Quốc chuyên chế tạo những mẫu AI lạ có khả năng cũng lạ không kém: Trung Quốc chuyên chế tạo những mẫu AI lạ có khả năng cũng lạ không kém:](https://diaocthoibao.com/wp-content/uploads/2024/05/1716358112_435_Khoa-hoc-cong-nghe-va-doi-moi-sang-tao-la.png)
Nhóm nghiên cứu viết: “Lần đầu tiên, nhiều mô hình AI thủy văn được đào tạo và cung cấp các phân tích so sánh ở quy mô toàn cầu”.
Trong mô hình của họ, các thuộc tính không gian và đặc điểm khí hậu theo chuỗi thời gian được xử lý riêng biệt, không giống như các mô hình sử dụng các chỉ số tổng hợp “dẫn đến sai lệch dự đoán và mô phỏng lớn hơn”. , Âu Dương nói. “So với các mẫu khác, ED-DLSTM thể hiện khả năng dự đoán vượt trội.”
Dự đoán này hoạt động tốt nhất ở các lưu vực có lượng mưa cao hơn hoặc nhiều dòng chảy hơn, với gần 82% lưu vực đạt hệ số hiệu suất Nash-Sutcliffe trung bình “xuất sắc” trên 0,6 (trong đó 1 là cao nhất).
Hiệu suất Nash-Sutcliffe (NSE) là điểm số thường được sử dụng trong thủy văn để đánh giá hiệu suất của các mô hình lượng mưa chảy tràn.
Nhóm nghiên cứu cũng kiểm tra xem liệu mô hình này có thể được chuyển giao đến các khu vực chưa được nghiên cứu kỹ hay không, áp dụng cho 160 lưu vực không có trạm đo ở miền trung Chile bằng cách sử dụng các mô hình đã được đào tạo. trước đây trong các lĩnh vực nghiên cứu lục địa.
Mô hình được đào tạo ở Mỹ là mô hình hiệu quả nhất, với gần 77% lưu vực đạt NSE lớn hơn 0.
Các nhà nghiên cứu cho biết thử nghiệm của họ đã xác minh rằng “mô hình có thể học các hành vi thủy văn phổ biến trên các tập huấn luyện khác nhau”.
“Nghiên cứu này chứng minh tiềm năng của các phương pháp học sâu trong việc khắc phục tình trạng thiếu thông tin thủy văn phổ biến cũng như những thiếu sót trong cấu trúc mô hình vật lý và tham số hóa.”
Link nguồn: https://cafef.vn/trung-quoc-chuyen-tri-mo-hinh-ai-la-nang-luc-cung-quai-di-khong-kem-ngoi-nha-biet-ca-chuyen-the-gioi-188240516070655925.chn