Машинное обучение улучшит прогнозы снегопадов на западе США

Сложный рельеф запада США – с его долинами, горами и плато – создает уникальные локальные погодные условия. Из-за этого прогнозы снегопадов в этом регионе часто неточны и представляют собой лишь широкие диапазоны возможных осадков.

Ключевая проблема кроется в соотношении снега и воды (SLR) – показателе, который определяет, какой объем снега получится из определенного количества воды. «Если у вас нет точного соотношения снега и воды, ваши прогнозы снегопадов не будут качественными», – отмечает Питер Вилс, один из авторов нового исследования из Университета Юты. Плотность снега может кардинально отличаться: от тяжелого мокрого снега, где соотношение составляет 2 к 1, до сверхлегкого пушистого, где оно достигает 100 к 1.

Ученые разработали новый подход, применив машинное обучение для анализа данных о снегопадах. Эти данные на протяжении шести лет вручную собирали специалисты по лавинной безопасности на 14 горных участках, включая горнолыжные курорты и транспортные коридоры в штатах Юта, Колорадо, Айдахо, Вайоминг, Монтана и в хребтах Каскадных гор и Сьерра-Невады.

Успех исследования во многом обязан кропотливой работе экспертов. Во время каждого снегопада они ежедневно или даже дважды в день вручную измеряли высоту снежного покрова и его водность. Автоматические датчики не могут обеспечить такую же точность, особенно в ветреную погоду. «Лыжные патрули делают это, потому что им необходимо знать, сколько снега скопилось на их лавинных трассах», – поясняет Вилс.

На основе этих высококачественных данных была создана модель машинного обучения «случайный лес» (random forest). Она учитывает множество переменных – температуру, скорость ветра, влажность – и способна объяснить почти половину изменчивости плотности снега, в то время как существующие операционные модели – менее четверти. При этом новый алгоритм достаточно быстр для оперативного использования в прогнозировании.

Новый подход значительно повысит надежность прогнозов. Эта информация критически важна для специалистов по управлению водными ресурсами, дорожных служб, синоптиков и лавинных служб, которым необходимо точно знать, сколько воды содержит снежный покров. В планах исследовательской группы – расширить применение метода на всю территорию континентальных штатов США, используя данные с 900 станций.

Камила Нургалиева

Камила Нургалиева – ведущий обозреватель издания «Экозор», чьи публикации охватывают широкий спектр экологических проблем: от молекулярных исследований до глобальных климатических процессов. Журналистка глубоко анализирует изменения климата, освещая такие темы, как опреснение Индийского океана , ускоренное потепление в горных районах и таяние ледников, ведущее к миграции населения в Непале. В центре ее внимания часто оказывается дикая природа и ее адаптация к антропогенному воздействию – Камила пишет о генетических особенностях косаток , изменении поведения медведей рядом с людьми и угрозах для опылителей, включая открытие новых видов пчел и защитные реакции шмелей.

Значительная часть работ автора посвящена взаимосвязи экологии и экономики, в частности, вопросам сельского хозяйства и продовольственной безопасности в развивающихся странах, таких как Мьянма и Замбия. Камила Нургалиева поднимает острые социальные темы, исследуя наследие колониализма в науке , политические истоки конфликтов за ресурсы и обязательства стран по международным климатическим соглашениям. Она также уделяет внимание технологическим и промышленным аспектам, рассказывая о циркулярной экономике в космической отрасли , неучтенных выбросах парниковых газов в Германии и проблемах перехода Африки на чистое топливо. Материалы журналистки часто затрагивают тему загрязнения, будь то влияние «вечных химикатов» на морских млекопитающих или разрушительные последствия нелегальной золотодобычи.