Семинар ИВП РАН об использовании методов машинного обучения и нейронных сетей

Использование методов машинного обучения (МО) и нейронных сетей (НС) открывает большие возможности для анализа условий формирования и прогнозирования речного стока, управления водными ресурсами и решения целого ряда других прикладных задач гидрологии. Новые технологии позволяют обрабатывать большие объемы данных, выявлять сложные зависимости и даже улучшать точность гидрологических моделей.

Этим вопросам был посвящен специальный семинар ИВП РАН, организованный заведующим Лабораторией гидроинформатики, к.г.н. В.М Морейдо при поддержке профессора Технического университета Дельфта (Нидерланды) и Института повышения квалификации в области водных ресурсов ЮНЕСКО, к.т.н. Д.П. Соломатина.

Семинар собрал представителей научного сообщества (ИВП РАН, МГУ им. М.В.Ломоносова, СПбГУ, Сколковский институт науки и технологий), специалистов реального сектора экономики (ПАО Сбербанк, ЭН+), сотрудников, аспирантов и студентов профильных научно-образовательных организаций.

Участники обсудили ключевые задачи и перспективы внедрения методов машинного обучения в гидрологии, на реальных примерах оценили возможности использования искусственных нейронных сетей, включая анализ формирования ледовых заторов и прогноз экстремальных уровней воды на реках, в т. ч. арктических (рр. Сев. Двина, Печора, Колыма), оценку притока воды к крупным водохранилищам, управление климатическими рисками. Особое внимание было уделено вопросам качества исходных данных, интерпретируемости результатов исследований с применением новых инструментов, их преимуществ и недостатков, а также необходимости подготовки специалистов, сочетающих знания в гидрологии и машинном обучении.

Так, например, Б. И. Гарцман (ИВП РАН), д.г.н. поднял вопрос о том, могут ли методы машинного обучения стать инструментом для получения новых фундаментальных знаний о гидрологических процессах. Чл.-корр. РАН А.Н. Гельфан (ИВП РАН, МГУ им. М.В. Ломоносова) отметил необходимость осмысленного использования новых технологий и гидрологических задач, для которых они могут применяться. Одно из перспективных направлений развития видится в интеграции методов машинного обучения и физико-математического моделирования, включая калибровку моделей, оценку неопределенностей, ассимиляцию данных и коррекцию ошибок. Д.г.н. Ю.Г. Мотовилов (ИВП РАН) высказал предостережение, что сами по себе нейронные сети могут быть неэффективны при их использовании в условиях радикальных антропогенных изменений условий формирования стока в пределах речных водосборов и происходящих климатических изменений. К.г.н.М.Б. Киреева (BioSense Institute ) подчеркнула необходимость открытости исходных кодов моделей для повышения доверия к результатам. С помощью инструмента интерактивного голосования дистанционные участники сформулировали целый спектр мнений относительно перспектив использования рассматриваемых методов.