npj Climate and Atmospheric Science: Модель глубокого обучения для повышения точности десятилетнего прогнозирования температуры приземного воздуха в Евразии
Десятилетнее прогнозирование климата предоставляет важные научные рекомендации для политиков и способствует социально-экономической устойчивости. Тем не менее, современные динамические модели по-прежнему ограничены в прогнозировании сложной многолетней изменчивости температуры приземного воздуха в Евразии в средних и высоких широтах на несколько лет вперёд. Авторы представляют гибридную модель глубокого обучения – Gated Recurrent Unit augmented with batch normalization and attention mechanism (GRUBA), которая значительно повышает точность десятилетнего прогнозирования за счёт расширенной постобработки результатов ансамбля нескольких моделей. Благодаря использованию алгоритма K-средних для временной кластеризации, GRUBA последовательно уточняет каждый кластер температуры приземного воздуха в соответствии с его различной десятилетней изменчивостью. В течение тестового периода 2004–2021 гг. средний коэффициент корреляции аномалий улучшился с –0,23 до 0,83, а среднеквадратичный показатель эффективности — с –0,37 до 0,68 по сравнению со средним значением результатов невзвешенного ансамбля из нескольких моделей. Это существенное улучшение частично обусловлено механизмом внимания, который эффективно уменьшает разброс моделей. Кроме того, анализ SHAP (Shapley Additive exPlanations) показывает, что GRUBA присваивает более высокие веса членам ансамбля с лучшими показателями.