BEIJING, 6. Mai (Xinhua) – Chinesische Forscher haben ein neuartiges hybrides Deep-Learning-Modell vorgeschlagen, um die Vorhersage von Abflüssen für Wassereinzugsgebiete auf globaler Ebene zu ermöglichen und so die Vorhersage von Überschwemmungen zu verbessern, heißt es in einem kürzlich in veröffentlichten Forschungsartikel Zeitschrift Die Innovation.
Die Vorhersage von Wasserabflüssen und Überschwemmungen bleibt eine der seit langem bestehenden Herausforderungen in der Hydrologie. Herkömmliche physikalisch basierte Modelle werden durch spärliche Parameter und komplexe Kalibrierungsverfahren behindert, insbesondere in nicht vermessenen Einzugsgebieten.
Nach Angaben der Chinesischen Akademie der Wissenschaften (CAS) fehlen in mehr als 95 Prozent der kleinen und mittelgroßen Wassereinzugsgebiete der Welt Überwachungsdaten.
Forscher des Instituts für Gebirgsgefahren und Umwelt des CAS nutzten die Datensätze von mehr als 2.000 Einzugsgebieten auf der ganzen Welt, um Modelltrainings durchzuführen, um die Wasserflussvorhersage auf globaler Ebene für alle gemessenen und nicht gemessenen Einzugsgebiete zu bewältigen.
Die Verteilung dieser Einzugsgebiete war deutlich unterschiedlich, was die Datenvielfalt gewährleistete.
Die Ergebnisse zeigen, dass die Vorhersagegenauigkeit des Modells höher war als bei herkömmlichen hydrologischen Modellen und anderen KI-Modellen.
Die Studie demonstrierte das Potenzial von Deep-Learning-Methoden zur Überwindung des Mangels an hydrologischen Daten und Mängeln in der Struktur und Parametrisierung physikalischer Modelle, heißt es in dem Forschungsartikel. ■
