Мой доклад на конференции "Научное обеспечение реализации "Водной стратегии Российской Федерации на период до 2020 года", прошедшей в г. Петрозаводске с 6 по 11 июля 2015 года.

1. Современные методы машинного
обучения в гидрологическом
моделировании
Георгий Айзель
к.т.н., м.н.с.
Институт водных проблем РАН

2. О чем нужно рассказывать на
научной конференции?
2

3. В большинстве случаев --- пересказ своей
(не)давней научной статьи
3
I. Постановка проблемы
II. Методы
III.Результаты
IV.Обсуждение
V. Выводы

4. Не остановились ли мы в развитии
направления физико-
математического моделирования
процессов формирования речного
стока?
4

5. 5
Темы исследований
● Улучшение модели
● Неопределенности
● Климатические изменения
● Природные / антропогенные изменения
● Неизученные водосборы
● Долгосрочные / краткосрочные прогнозы
● …

6. Процесс-ориентированная парадигма
● Эффективность гидрологического моделирования определяют эксклюзивные знания о
процессах формирования стока и особенностях той или иной используемой модели
● Мы не допускаем возможности, что автоматизированная система, построенная на принципах
компьютерной логики может дать обоснованный и устойчивый результат
6

7. Есть ли альтернативы?
7

8. Парадигма, ориентированная на данные
● Огромное количество источников данных
● Большие данные
● Машинное обучение
● Возможность продвинутой интерпретации наблюдаемых явлений
8

9. Новое направление развития
Синтез парадигм
9

10. Синтетические модели
10

11. 11

12. Процесс-ориентированные
взаимодействия
Данные
Источники данных
Модель
Процессы
Параметры
Результат
Standard Modelling (work)Flow
Подготовка Моделирование Анализ
Суровая
реальность
12

13. Данные
Источники данных
Модель
Процессы
Параметры
Результат
Synthetic Modelling (work)Flow
Подготовка Моделирование Анализ
Суровая
реальность
Сопряженные или замещенные
взаимодействия процесс-
ориентированных и дата-
ориентированных методов
исследования
13

14. Наш опыт
14

15. Модель SWAP
Процессы
Параметры
Задача: расчет многолетнего гидрографа речного стока
при недостаточности данных наблюдений
15
Данные
глобальных
баз
Оптимальные параметры
1.
Машинное
обучение
Искусственные
нейронные
сети
2.

16. Нейронная сеть
16

17. Нейронная сеть (моей мечты)
17

18. Результаты
медианы:
Eff = 0.48
Bias = 13.7%
18

19. 19
Направления развития
● Больше данных (открытых / закрытых, размеченных / неразмеченных)
● data api (application interface)
● Машинное обучение (ANN, cNN, SVM, GEP, ...)
● Soft computing (fuzzy logic etc.)
● Кластерные вычисления (MapReduce, Hadoop)
● Супермодель
● Модель как сервис
● Открытый исходный код (crowdsourcing, воспроизводимость вычислений)

20. Спасибо за внимание
Ильмаринен
кует
мельницу
Сампо
20