Verbeterde voorspellingen voor rivierafvoer met machinaal leren
Nieuw onderzoek richt zich op het betrouwbaarder maken van datagestuurde voorspellingen voor rivierafvoer. Bestaande modellen verliezen vaak aan nauwkeurigheid wanneer ze worden gevoed met operationele weersvoorspellingen in plaats van historische data.
Het voorspellen van de waterafvoer in rivieren is cruciaal voor tijdige paraatheid bij overstromingen. Modellen die op basis van kunstmatige intelligentie zijn getraind op historische heranalyses, blijken echter minder goed te presteren zodra ze moeten werken met actuele operationele voorspellingen. De onnauwkeurigheid hiervan groeit naarmate de voorspellingshorizon verder in de toekomst ligt.
Transfersleren en recurrent geheugen
Bestaande oplossingen maken vaak gebruik van een combinatie van transferleren en een deterministisch neuraal netwerk om dit probleem te verzachten. In de praktijk worden dergelijke architecturen echter vaak beperkt doordat ze inflexibel omgaan met de invoer en geen inzicht geven in de onzekerheid van de voorspelling.
Hydrologische voorspellingen zijn een belangrijk toepassingsgebied voor machine learning, juist omdat extreme weersomstandigheden door klimaatverandering vaker voorkomen. Het verfijnen van de manier waarop datagestuurde systemen omgaan met onzekerheden draagt bij aan betrouwbaardere vroege waarschuwingssystemen voor wateroverlast.
Deze samenvatting is gebaseerd op een origineel artikel van arXiv (cs.LG). Lees het volledige, originele bericht bij de bron.
Lees het originele artikel