Naukowcy zaprezentowali KNOU-Flood, ulepszony system do prognozowania przepływów rzek na skalę globalną, który znacznie lepiej radzi sobie z działaniem w praktyce niż dotychczasowe modele trenowane wyłącznie na danych ponownej analizy. Problem polega na tym, że modele trenowane na doskonałych danych historycznych traciły dokładność, gdy napędzane były operacyjnymi prognozami pogody, a degradacja pogorszała się wraz z czasem wyprzedzenia.
KNOU-Flood utrzymuje architekturę opartą na jednowarstwowym LSTM, ale zmienia informacje wokół niej: wydłuża okno wejściowe do 424 dni, wprowadza "lead-aware" dane prognoz (zamiast podawania jednego czasu wyprzedzenia do całego okna wejściowego), dodaje GraphCast jako drugi główny model prognostyczny obok ECMWF HRES, oraz trenuje ensemble z szumem ukrytym za pomocą fair CRPS. Rezultaty są imponujące - system osiąga medianę KGE' 0.65 na 1-dniowy czas wyprzedzenia i 0.48 na 10-dniowy, wobec 0.62 i 0.34 w poprzednim podejściu, i wykazuje znaczne korzyści na wszystkich dziesięciu czasach wyprzedzenia testowanych na 2099 basenach w latach 2021-2023.
Najciekawsze odkrycie to fakt, że znaczna część wcześniej obserwowanego spadku dokładności związanego z czasem wyprzedzenia była tak naprawdę efektem tego, jak dane były przygotowywane - identyczne wagi modelu dały KGE' 0.18 lub 0.34 na 10-dniowy czas wyprzedzenia w zależności od protokołu podawania prognoz. Probabilistyczna głowica modelu okazała się najważniejszym źródłem poprawy, a bezpośrednio surowe prognozy GraphCast również znacznie przyczyniły się do sukcesu systemu.