Использование нейронной сети с долговременной краткосрочной памятью (LSTM) для повышения точности прогнозов речного стока на территории западной части США

Точные прогнозы речного стока являются важным инструментом в области водной безопасности, подготовки к наводнениям и сельского хозяйства, а также в промышленности в целом. Традиционные физические модели, используемые для составления прогнозов речного стока, становятся все более сложными, что соответствующим образом повышает качество прогнозов. Однако разработка таких моделей часто ограничивается двумя факторами: эмпиричностью — многие физические взаимосвязи представлены эмпирическими формулами; и разреженностью данных — для калибровки этих моделей часто требуются длительные временные ряды наблюдений. Ранее было показано, что искусственные нейронные сети весьма эффективны при моделировании нелинейных систем, в которых знания о лежащих в их основе физических взаимосвязях являются неполными. Однако они также сталкиваются с проблемами, связанными с разреженностью данных. В последнее время для гидрологических приложений исследуются гибридные системы прогнозирования, сочетающие традиционный физический подход со статистическими методами прогнозирования. В данном исследовании мы проверяем эффективность типа нейронной сети — сети с долговременной краткосрочной памятью (LSTM) — для прогнозирования речного стока на 10 гидрологических постах, расположенных в различных климатических регионах западной части США. Сеть LSTM обучается на осредненных по водосбору метеорологических и гидрологических переменных из реанализа ERA5 и реанализа Global Flood Awareness System (GloFAS)–ERA5, а также на исторических наблюдениях речного стока. Эффективность этих гибридных прогнозов оценивается и сравнивается с эффективностью исходных и скорректированных с учетом систематической ошибки данных физической модели GloFAS, разработанной в рамках Copernicus Emergency Management Service (CEMS). Рассматриваются два периода: этап тестирования (с июня 2019 года по июнь 2020 года), в течение которого модели получали данные ERA5 для оценки качества моделирования речного стока на 10 постах, и операционный этап (с сентября 2020 года по октябрь 2021 года), в течение которого модели получали прогнозируемые переменные из Integrated Forecasting System (IFS) Европейского центра среднесрочных прогнозов погоды (ECMWF), чтобы оценить их способность прогнозировать речной сток с заблаговременностью до 10 суток. Обсуждаются значение полученных результатов и возможные направления совершенствования данной работы. В целом это первое исследование, в котором LSTM используется в гибридной системе для составления среднесрочного прогноза речного стока; превосходство установленных физических моделей демонстрирует перспективность дальнейшего применения нейронных сетей в гидрологическом прогнозировании.