Cerrando la Brecha: Mejorando la Predicción de Oleadas de Tormenta y el Soporte a la Decisión con LSTM Basado en Atención Bidireccional
Autores: Ian, Vai-Kei; Tse, Rita; Tang, Su-Kit; Pau, Giovanni
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
Categoría
Ciencias Naturales y Subdisciplinas
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 2
Citaciones: Sin citaciones
La predicción precisa de la marea de tormenta es vital para salvar vidas y evitar daños económicos e infraestructurales. La incapacidad para predecir con precisión la marea de tormenta puede tener repercusiones catastróficas. Los avances en modelos de aprendizaje automático muestran la capacidad de mejorar la precisión de la predicción de la marea de tormenta aprovechando grandes cantidades de datos históricos y en tiempo real, como patrones meteorológicos y de mareas. Este documento propone una arquitectura de marea de tormenta basada en LSTM con atención bidireccional (BALSSA) para mejorar la precisión de la predicción. El entrenamiento y la evaluación utilizaron extensos datos meteorológicos y de niveles de marea de 77 incidentes de tifones en Hong Kong y Macao entre 2017 y 2022. La metodología propuesta es capaz de modelar complejas no linealidades entre grandes cantidades de datos de diferentes fuentes e identificar relaciones complejas entre variables que típicamente no son capturadas por métodos físicos tradicionales. BALSSA resuelve efectivamente el problema de las dependencias a largo plazo en la predicción de la marea de tormenta mediante la incorporación de un mecanismo de atención. Permite un énfasis selectivo en características significativas y mejora la precisión de la predicción. Se ha realizado una evaluación utilizando conjuntos de datos del mundo real de Macao para validar nuestro modelo de predicción de marea de tormenta. Los resultados muestran que la precisión y robustez de las predicciones mejoraron significativamente con la incorporación de mecanismos de atención en nuestros modelos. BALSSA captura dinámicas temporales de manera efectiva, proporcionando pronósticos de marea de tormenta altamente precisos (MAE: 0.0126, RMSE: 0.0003) hasta 72 horas de anticipación. Estos hallazgos tienen una importancia práctica para las estrategias de reducción del riesgo de desastres, salvando vidas a través de evacuaciones oportunas y advertencias tempranas. Los experimentos que comparan variaciones de BALSSA con otros algoritmos de aprendizaje automático validan consistentemente el rendimiento predictivo superior de BALSSA. Ofrece una herramienta adicional de gestión de riesgos para agencias de protección civil y gobiernos, así como una solución ideal para mejorar la precisión de la predicción de la marea de tormenta, beneficiando a las comunidades costeras.
Descripción
La predicción precisa de la marea de tormenta es vital para salvar vidas y evitar daños económicos e infraestructurales. La incapacidad para predecir con precisión la marea de tormenta puede tener repercusiones catastróficas. Los avances en modelos de aprendizaje automático muestran la capacidad de mejorar la precisión de la predicción de la marea de tormenta aprovechando grandes cantidades de datos históricos y en tiempo real, como patrones meteorológicos y de mareas. Este documento propone una arquitectura de marea de tormenta basada en LSTM con atención bidireccional (BALSSA) para mejorar la precisión de la predicción. El entrenamiento y la evaluación utilizaron extensos datos meteorológicos y de niveles de marea de 77 incidentes de tifones en Hong Kong y Macao entre 2017 y 2022. La metodología propuesta es capaz de modelar complejas no linealidades entre grandes cantidades de datos de diferentes fuentes e identificar relaciones complejas entre variables que típicamente no son capturadas por métodos físicos tradicionales. BALSSA resuelve efectivamente el problema de las dependencias a largo plazo en la predicción de la marea de tormenta mediante la incorporación de un mecanismo de atención. Permite un énfasis selectivo en características significativas y mejora la precisión de la predicción. Se ha realizado una evaluación utilizando conjuntos de datos del mundo real de Macao para validar nuestro modelo de predicción de marea de tormenta. Los resultados muestran que la precisión y robustez de las predicciones mejoraron significativamente con la incorporación de mecanismos de atención en nuestros modelos. BALSSA captura dinámicas temporales de manera efectiva, proporcionando pronósticos de marea de tormenta altamente precisos (MAE: 0.0126, RMSE: 0.0003) hasta 72 horas de anticipación. Estos hallazgos tienen una importancia práctica para las estrategias de reducción del riesgo de desastres, salvando vidas a través de evacuaciones oportunas y advertencias tempranas. Los experimentos que comparan variaciones de BALSSA con otros algoritmos de aprendizaje automático validan consistentemente el rendimiento predictivo superior de BALSSA. Ofrece una herramienta adicional de gestión de riesgos para agencias de protección civil y gobiernos, así como una solución ideal para mejorar la precisión de la predicción de la marea de tormenta, beneficiando a las comunidades costeras.