Theo thông báo của Đại học Công nghệ Sydney (UTS, Australia) ngày 13/10, nhóm nghiên cứu sử dụng dữ liệu lượng mưa và lưu lượng dòng chảy trong 20 năm tại lưu vực sông DuPage, bang Illinois (Mỹ), để phát triển các mô hình học sâu tích hợp cơ chế chú ý, qua đó nhận diện quy luật biến động của lượng mưa và dòng chảy.
Nghiên cứu đăng trên tạp chí Journal of Hydrologic Engineering cho thấy việc kết hợp dự báo từ nhiều mô hình học sâu giúp giảm khoảng 38% sai số dự báo. Trong khi đó, khung tổng hợp dữ liệu do nhóm đề xuất cải thiện hiệu quả dự báo khoảng 47%.
Giáo sư Amir H. Gandomi, đồng tác giả nghiên cứu tại UTS, cho biết phương pháp này duy trì độ chính xác cao với các dự báo trước tới 12 tuần. Khoảng thời gian cảnh báo dài hơn có thể giúp cộng đồng và chính quyền chuẩn bị phương án ứng phó, giảm thiểu thiệt hại do lũ lụt.
Theo nhóm nghiên cứu, kết quả này có tiềm năng hỗ trợ quản lý rủi ro thiên tai, nâng cao khả năng chống chịu của cơ sở hạ tầng và cải thiện công tác quản lý tài nguyên nước. Tuy nhiên, mục tiêu cuối cùng không chỉ là dự báo chính xác hơn mà còn phải chuyển các dự báo thành quyết định ứng phó hiệu quả.
