Гибридный ИИ и физика улучшили прогноз высоты волн при тайфунах
Тайфуны в северо-западной части Тихого океана создают волны-убийцы. Они угрожают судам, нефтяным платформам и прибрежным городам. Современные модели прогноза часто недооценивают высоту самых опасных волн. Это приводит к трагическим ошибкам. Китайские учёные создали новую гибридную модель. Она сочетает машинное обучение с физическими законами. Результаты опубликованы в журнале Ocean Engineering [1].
Проблема недооценки волн
Стандартная модель SWAN (Simulating WAves Nearshore) широко используется для прогноза волн. Однако при тайфунах она систематически занижает высоту волн. Главная причина — нехватка точных данных о ветре в экстремальных условиях. Кроме того, поправки к модели работают плохо, потому что волны растут и спадают слишком быстро [2].
Исправить ошибки вручную практически невозможно. Поэтому учёные обратились к искусственному интеллекту.
Два подхода к исправлению ошибок
Учёные протестировали два типа нейросетей и их комбинацию.
Физически-информированные нейросети (PINN) используют физические законы как ограничители. Они дают стабильные и реалистичные результаты. Однако PINN может сглаживать самые сильные пики волн. Он слишком «осторожен» в экстремальных условиях.
Генеративно-состязательные сети (GAN) лучше учатся на редких и экстремальных паттернах. Они отлично справляются с высокими волнами, которые другие модели пропускают. Но GAN может генерировать нереалистичные колебания без контроля физикой [1].
Гибридная модель PINN-GAN объединяет сильные стороны обоих методов. Она использует физику для сохранения правдоподобия, а GAN — для улавливания экстремальных значений. Такой подход лучше всего подходит для быстро меняющихся тайфунных волн [3].
Как тестировали новую модель
Учёные проверили модель на двух тайфунах 2024 года в Восточно-Китайском море. Они использовали данные с 29 буёв и прибрежных станций.
Тест А (затухание тайфуна Бебинка): гибридная модель снизила среднеквадратичную ошибку на 34,9% по сравнению со стандартной SWAN.
Тест Б (полный жизненный цикл тайфуна Пуласан): ошибка снизилась на 11,0%.
В условиях, сильно отличающихся от обучающих данных, физически-информированная модель показала лучшую устойчивость. Однако гибрид оказался самым надёжным для волн выше 3 метров, где SWAN даёт наибольшие ошибки [4].
Ограничения и планы
Гибридная модель показала слабости у сложных береговых линий. В одном прибрежном тесте прогноз ухудшился. Кроме того, тесты проведены только на двух тайфунах. Этого недостаточно для уверенного применения в реальных условиях.
Учёные планируют проверить модель на большем количестве штормов и в разных регионах. Они также хотят отделить ошибки из-за данных о ветре от ошибок самой модели. Тем не менее, гибридный подход уже показал свою эффективность. Он может стать основой для новой системы оперативного прогноза, которая спасёт жизни и защитит инфраструктуру [1].
Читайте также:
Спутник NASA впервые увидел цунами из космоса. Открытие удивило учёных
Камчатский феномен: почему землетрясение 2025 года нарушило все прогнозы
Список источников
- A PINN–GAN coupled model for physics-guided correction of SWAN significant wave height under typhoon-driven sea states – Ocean Engineering, 2026
- Real-time wave model error correction via coupled neural networks and WAM under extreme weather – Ocean Modelling, 2025
- Physics-Guided Deep Learning Model for Ocean Waves and Storm Surges Induced by Tropical Cyclones – China Ocean Engineering, 2026
- Coupled AI and physics model improves typhoon-wave height forecasting – Phys.org/LinkedIn, 2026
