Trung Quốc chuyên trị mô hình AI lạ, năng lực cũng quái dị không kém: "Ngồi nhà biết cả chuyện thế giới"

Trong khi thế giới nghiên cứu ra các mô hình AI phục vụ cho các mục đích thiết yếu của cuộc sống hàng ngày, các nhà khoa học ở Trung Quốc bắt tay phát triển một mô hình trí tuệ nhân tạo có thể dự báo nguy cơ lũ lụt nhưng không phải chỉ ở trong nước mà ở khắp nơi trên thế giới.

Được gọi là ED-DLSTM, mô hình này không dựa vào dữ liệu dòng chảy lịch sử như các mô hình dự báo khác mà sử dụng các thuộc tính như độ cao và lượng mưa.

Trong bài báo đăng trên tạp chí The Innovation vào ngày 6/5, nhóm các nhà nghiên cứu tại Viện Hàn lâm Khoa học Trung Quốc (CAS) dẫn đầu đã trình bày chi tiết về sự vượt trội của mô hình.

Các nhà nghiên cứu nhấn mạnh mô hình đạt được hiệu suất tiên tiến trong các nhiệm vụ dự báo dòng chảy xuyên khu vực so với các mô hình học máy và mô hình thủy văn cổ điển khác.

Dự báo dòng chảy và lũ lụt vẫn là một trong những thách thức lâu dài trong ngành thủy văn. Điều này là do những hạn chế trong việc hiệu chỉnh các mô hình dự báo vật lý, đặc biệt là ở các lưu vực không có trạm đo – những khu vực tập trung mưa nhưng thiếu hồ sơ về dòng chảy.

CAS cho biết, có hơn 95% các lưu vực vừa và nhỏ trên toàn thế giới thiếu hoặc có số liệu thủy văn hạn chế, gây khó khăn cho việc dựa vào các mô hình cần thông tin để dự báo lượng mưa và lũ lụt.

"Việc phát triển các chiến lược dự báo lũ cấp quốc gia hoặc khu vực … phải dựa vào dự đoán dòng chảy từ hàng nghìn lưu vực chưa có thông số vật lý cũng như hồ sơ lịch sử", nhóm nhấn mạnh sự khó khăn.

Để khắc phục vấn đề trên, các nhà nghiên cứu đã đề xuất một mô hình chỉ sử dụng các yếu tố đầu vào như lượng mưa và nhiệt độ, cũng như các thuộc tính đất tĩnh.

Nhóm nghiên cứu cho biết các thuộc tính tĩnh như đặc điểm của đất "có thể được lấy từ dữ liệu vệ tinh có sẵn trên toàn thế giới".

Hiệu quả cao trên quy mô toàn cầu

Các nhà nghiên cứu đã sử dụng dữ liệu giám sát lịch sử từ năm 2010 đến năm 2012 – bao gồm hơn 2.000 lưu vực ở Mỹ, Canada, Trung Âu và Anh – để kiểm tra tính chính xác của mô hình so với một số mô hình khác.

Trong mô hình của họ, các thuộc tính không gian và đặc điểm khí hậu theo chuỗi thời gian được xử lý riêng biệt, khác với các mô hình sử dụng chỉ số tổng hợp "dẫn đến sai lệch dự đoán và mô phỏng lớn hơn", Ouyang cho biết. "So với các mẫu khác, ED-DLSTM thể hiện khả năng dự đoán vượt trội".

Dự đoán này hoạt động tốt nhất ở các lưu vực có lượng mưa lớn hơn hoặc nhiều dòng chảy, với gần 82% các lưu vực đạt được hệ số hiệu suất Nash-Sutcliffe trung bình "xuất sắc" trên 0,6 (trong đó 1 là cao nhất).

Hiệu suất Nash-Sutcliffe (NSE) là điểm số thường được sử dụng trong thủy văn để đánh giá hiệu suất của các mô hình lượng mưa chảy tràn.

Nhóm nghiên cứu cũng kiểm tra xem liệu mô hình này có thể chuyển sang các khu vực chưa được nghiên cứu hay không, áp dụng cho 160 lưu vực không có trạm đo ở miền trung Chile bằng cách sử dụng các mô hình đã được đào tạo trước ở các khu vực nghiên cứu cấp lục địa.

Mô hình được đào tạo ở Mỹ là mô hình hiệu quả nhất, với gần 77% lưu vực đạt NSE lớn hơn 0.

Các nhà nghiên cứu cho biết thử nghiệm của họ đã xác minh rằng "mô hình có thể học các hành vi thủy văn phổ biến trên các bộ huấn luyện khác nhau".

"Nghiên cứu này chứng minh tiềm năng của các phương pháp học sâu trong việc khắc phục tình trạng thiếu thông tin thủy văn phổ biến cũng như những thiếu sót trong cấu trúc và tham số hóa mô hình vật lý".

Theo Mạnh Kiên