Мультимодельные ансамбли используются для повышения производительности результатов глобальных климатических моделей. В этом исследовании оценивается эффективность мультимодельных ансамблей осадков, максимальной и минимальной температуры в бассейне тропической реки в Индии, разработанных с помощью различных методов, таких как среднее арифметическое, «множественная линейная регрессия», «метод опорных векторов», «регрессор дополнительного дерева», «случайный лес» и «долговременная краткосрочная память». Для этой цели используются 21 модель общей циркуляции из набора данных Global Daily Downscale Projects (NEX-GDDP) Национального управления по аэронавтике и исследованию космического пространства (НАСА) и 13 моделей из CMIP6. Результаты исследования показывают, что применение модели «долговременная краткосрочная память» для ансамбля работает значительно лучше, чем модели в случае осадков со значением коэффициента детерминации R² = 0,9. В случае температуры все методы машинного обучения показали одинаково хорошую производительность, при этом методы «случайный лес» и «долговременная краткосрочная память» показали стабильно хорошие результаты во всех случаях со значением R² в диапазоне от 0,82 до 0,93. Следовательно, на основе этого исследования методы «случайный лес» и «долговременная краткосрочная память» рекомендуются для создания мультимодельных ансамблей в рассматриваемом бассейне. В целом, все подходы машинного обучения работали лучше, чем подход среднего ансамбля.

 

Ссылка: https://www.nature.com/articles/s41598-022-08786-w