2023-04-25 | 대전=박희윤 기자

KAIST开发出将降水观测误差范围缩小42.5%的算法

本页标题和正文均由AI机器翻译,未经人工审校。准确内容请以韩文原文为准。

KAIST 25日表示,由文术未来战略研究生院(兼任建设及环境工学系、绿色增长可持续发展研究生院)教授金亨俊与东京大学等组成的国际联合研究团队,提出了利用搭载于人造卫星的微波辐射计观测值推算地面降水量的新机器学习方法。

研究团队与现有方法相比,成功将全部降水量的误差(RMSE)最少减少15.9%,最多减少42.5%。

单纯的数据驱动(data-driven)模型存在需要大量训练数据、无法保证物理一致性、结果成因分析困难等问题。

研究团队在本次研究中通过明确纳入卫星降水量推算的领域知识,实现了学习模型内相互依存的知识交换。具体而言,采用名为多任务学习(multitask learning)的深度学习方法,将识别是否降水的分类模型与推算降水强度的回归模型整合并同时训练。

本次研究提出的机器学习模型除本次纳入的机制外,还可纳入多种物理机制。例如,通过纳入雨、雪、雨夹雪等降水类型的分类,以及上升气流或层状云类型等引发降水的云类型分类,预计今后推算精度将进一步提高。

KAIST金亨俊教授的本次研究成果已于4月16日发表在国际学术期刊《地球物理研究快报(Geophysical Research Letters)》上。

阅读韩文原文