Nature Scientific Reports: Оценка экологических издержек многомасштабных рекуррентных нейронных сетей для устойчивого прогнозирования экстремальных ливневых осадков
Прогнозирование экстремальных осадков представляет собой серьёзную ежедневную проблему в глобальном масштабе, особенно в уязвимых регионах Глобального Юга. Традиционные численные модели прогнозирования погоды часто не обеспечивают точных и своевременных прогнозов экстремальных погодных явлений, усугубляя социально-экономическое неравенство и повышая климатическую уязвимость. Подходы глубокого обучения представляют собой многообещающую возможность для выявления более точных закономерностей прогнозирования; однако их применение остаётся ограниченным большими вычислительными затратами, связанными с большим набором параметров. В этом исследовании оценивается эффективность структуры MS-RNN для повышения вычислительной эффективности и точности прогнозирования экстремальных осадков с использованием реальных данных метеорологического радара из наборов данных TAASRAD19 и Рио-де-Жанейро. Хотя эта структура была всесторонне проверена как теоретически, так и экспериментально в других сценариях, в данной работе рассматривается её применение к реальным данным радара. Показатели, связанные с устойчивым развитием, такие как потребление энергии, выбросы CO2 и водопотребление, не рассчитывались в данном конкретном контексте и редко рассматриваются в современной литературе. Полученные результаты демонстрируют потенциал решения для повышения вычислительной эффективности при сохранении точности прогнозирования в применении к реальным данным метеорологического радара, что способствует разработке устойчивых и доступных решений на основе искусственного интеллекта для повышения климатической устойчивости в регионах с ограниченными ресурсами.
