Die Bodenfeuchtigkeit beeinflusst das Klima und die hydrologischen Systeme auf komplexe Weise, indem sie Wasser- und Energieaustauschprozesse moduliert. Genaue Vorhersagen der Bodenfeuchtigkeit sind nicht nur für die Dürreüberwachung von entscheidender Bedeutung, sondern auch für ein effektives Wasserressourcenmanagement von entscheidender Bedeutung.
Prof. Yongjiu Dai von der Sun Yat-sen-Universität und sein Team erkennen bestehende Herausforderungen in traditionellen physikbasierten Modellen, die durch Unsicherheiten in Parametern und eine begrenzte Darstellung von Landoberflächenprozessen gekennzeichnet sind, und stellen in ihrem kürzlich veröffentlichten Artikel aufmerksamkeitsbasierte Hybridmodelle vor Fortschritte in den Atmosphärenwissenschaftendie die Stärken physikbasierter Modelle und Deep-Learning-Fähigkeiten vereint.
Prof. Dai erklärte: „Unsere Forschung zielt darauf ab, die Einschränkungen reiner Deep-Learning-Modelle zu überwinden, indem wir das ungenutzte Potenzial physikbasierter Modelle auf verschiedenen Vorhersagezeitskalen nutzen. Dieser innovative Ansatz zielt darauf ab, wichtige räumlich-zeitliche Muster adaptiv zu extrahieren und so die Präzision des Bodens zu verbessern.“ Feuchtigkeitsvorhersagen in verschiedenen Regionen.
Darüber hinaus befasst sich die Forschung mit den Mängeln früherer Hybridmodelle, die überwiegend auf Deep-Learning-Modellen beruhten, um Merkmale aus physikbasierten Modellausgaben zu extrahieren. „Nach unserem besten Wissen ist dies die erste Studie, die sowohl den Aufmerksamkeitsmechanismus als auch die Ensemble-Methoden nutzt, um physikbasierte und Deep-Learning-Modelle für die Vorhersage der Bodenfeuchtigkeit zu integrieren“, sagte Prof. Dai.
Ihre Studie zeigt, dass das Ensemble-Hybridmodell aktuelle Modelle für Langzeitvorhersagen übertrifft und das Aufmerksamkeits-Hybridmodell bei Dürrevorhersagen hervorragende Leistungen erbringt.
„Während sich Hybridmodelle in verschiedenen Bereichen der hydrologischen Vorhersage als vielversprechend erwiesen haben, integriert unsere Forschung physikbasierte und Deep-Learning-Modelle explizit für Bodenfeuchtigkeitsvorhersagen und gleicht Vor- und Nachteile verschiedener Hybridsysteme aus“, sagte Lu Li, Mitautor der Studie . „Dieser innovative Ansatz zielt in Kombination mit Ensemble-Methoden darauf ab, ein einheitliches Modell mit verbesserter Vorhersagbarkeit anzubieten und Fehler einzelner Modelle zu reduzieren.“
Die Forschung fördert nicht nur das Verständnis hydrologischer Prozesse, sondern liefert auch einen Fahrplan für die Zukunft der Bodenfeuchtigkeitsvorhersagen. Die Integration physikbasierter und Deep-Learning-Modelle verspricht genauere und regional anpassungsfähigere Bodenfeuchtigkeitsvorhersagen in mehreren Schritten.
Mehr Informationen:
Lu Li et al., Verbesserung von Deep-Learning-Modellen zur Vorhersage der Bodenfeuchtigkeit durch Integration physikbasierter Modelle, Fortschritte in den Atmosphärenwissenschaften (2024). DOI: 10.1007/s00376-023-3181-8