Des modèles hybrides innovants améliorent la prévision de l’humidité du sol

L’humidité du sol influence de manière complexe le climat et les systèmes hydrologiques en modulant les processus d’échange d’eau et d’énergie. Des prévisions précises de l’humidité du sol ne sont pas seulement essentielles à la surveillance de la sécheresse, elles sont également cruciales pour une gestion efficace des ressources en eau.

Reconnaissant les défis existants dans les modèles traditionnels basés sur la physique, caractérisés par des incertitudes sur les paramètres et une représentation limitée des processus à la surface du sol, le professeur Yongjiu Dai de l’Université Sun Yat-sen et son équipe présentent des modèles hybrides basés sur l’attention dans leur article récemment publié dans Progrès des sciences atmosphériquesfusionnant les atouts des modèles basés sur la physique et des capacités d’apprentissage profond.

Le professeur Dai a expliqué : « Notre recherche vise à surmonter les limites des modèles d’apprentissage profond pur en exploitant le potentiel inexploité des modèles basés sur la physique à différentes échelles de temps de prévision. Cette approche innovante vise à extraire de manière adaptative des modèles spatio-temporels importants, améliorant ainsi la précision des données du sol. prévisions d’humidité dans diverses régions.

En outre, la recherche aborde les lacunes des modèles hybrides précédents qui reposaient principalement sur des modèles d’apprentissage profond pour extraire des caractéristiques des résultats de modèles basés sur la physique. « Au meilleur de nos connaissances, il s’agit de la première étude utilisant à la fois le mécanisme d’attention et les méthodes d’ensemble pour intégrer des modèles d’apprentissage profond et basés sur la physique pour la prévision de l’humidité du sol », a déclaré le professeur Dai.

Leur étude montre que le modèle hybride d’ensemble surpasse les modèles actuels pour les prévisions à long terme, et que le modèle hybride d’attention excelle dans les prévisions de sécheresse.

« Bien que les modèles hybrides se soient révélés prometteurs dans divers domaines de prévision hydrologique, nos recherches intègrent explicitement des modèles basés sur la physique et des modèles d’apprentissage profond pour les prévisions de l’humidité du sol et équilibrent les avantages et les inconvénients des différents systèmes hybrides », a déclaré Lu Li, co-auteur de l’étude. . « Cette approche innovante, combinée aux méthodes d’ensemble, vise à offrir un modèle unifié avec une prévisibilité améliorée, réduisant ainsi les erreurs des modèles individuels. »

La recherche fait non seulement progresser la compréhension des processus hydrologiques, mais fournit également une feuille de route pour l’avenir des prévisions de l’humidité du sol. L’intégration de modèles basés sur la physique et d’apprentissage en profondeur promet des prévisions d’humidité du sol plus précises et adaptatives à l’échelle régionale.