Nature Communications Earth & Environment: Интерпретируемая модель машинного обучения для прогнозирования сезонных осадков
Сезонный климатический прогноз важен для общественного благосостояния, поскольку он помогает лицам, принимающим решения, предпринимать упреждающие шаги для смягчения рисков, связанных с неблагоприятными климатическими условиями, или использовать благоприятные. Здесь авторы представляют TelNet, модель машинного обучения «последовательность-последовательность» для прогнозирования сезонных осадков с коротким и средним опережением. Модель использует прошлые значения сезонных осадков и климатические индексы для прогнозирования эмпирического распределения осадков для каждой точки сетки целевого региона на следующие шесть перекрывающихся сезонов. TelNet имеет простую архитектуру «кодер-декодер-головка», что позволяет обучать модель с ограниченным объёмом данных, как это часто бывает в прогнозировании климата. Её детерминированная и вероятностная производительность тщательно оценивается и сравнивается с современными динамическими моделями и моделями глубокого обучения в известном регионе для сезонных прогнозных исследований из-за её высокой климатической предсказуемости. Обучающие, проверочные и тестовые наборы многократно перевыбираются для оценки неопределённости, связанной с небольшим набором данных. Результаты показывают, что TelNet входит в число наиболее точных и калиброванных моделей по нескольким месяцам инициализации и времени опережения, особенно в сезон дождей, когда прогнозируемый сигнал наиболее силен. Более того, модель допускает интерпретацию прогноза по примеру и опережению с помощью своих весов переменного выбора.