ترجمه فارسی مقاله مطالعه تطبیقی ​​شبکه‌های عصبی کانولوشن و بازگشتی برای پیش‌بینی موج طوفان در خلیج تامپا

چکیده

In this paper, we compare the performance of three common deep learning architectures, CNN-LSTM, LSTM, and 3D-CNN, in the context of surrogate storm surge modeling. The study site for this paper is the Tampa Bay area in Florida. Using high-resolution atmospheric data from the reanalysis models and historical water level data from NOAA tide stations, we trained and tested these models to evaluate their performance. Our findings indicate that the CNN-LSTM model outperforms the other architectures, achieving a test loss of 0.010 and an R-squared (R2) score of 0.84. The LSTM model, although it achieved the lowest training loss of 0.007 and the highest training R2 of 0.88, exhibited poorer generalization with a test loss of 0.014 and an R2 of 0.77. The 3D-CNN model showed reasonable performance with a test loss of 0.011 and an R2 of 0.82 but displayed instability under extreme conditions. A case study on Hurricane Ian, which caused a significant negative surge of -1.5 meters in Tampa Bay indicates the CNN-LSTM model’s robustness and accuracy in extreme scenarios.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله ، ما عملکرد سه معماری یادگیری عمیق مشترک ، CNN-LSTM ، LSTM و 3D-CNN را در زمینه مدل سازی افزایش طوفان جانشین مقایسه می کنیم.محل مطالعه این مقاله منطقه خلیج تامپا در فلوریدا است.با استفاده از داده های جوی با وضوح بالا از مدل های تجزیه و تحلیل مجدد و داده های سطح آب تاریخی از ایستگاه های Tide NOAA ، ما این مدل ها را آموزش داده و آزمایش کردیم تا عملکرد آنها را ارزیابی کنیم.یافته های ما نشان می دهد که مدل CNN-LSTM از سایر معماری ها فراتر می رود و به دست آوردن از دست دادن آزمون 0.010 و نمره R-Squared (R2) 0.84 می رسد.مدل LSTM ، اگرچه به کمترین از دست دادن تمرین 0.007 و بالاترین تمرینات R2 0.88 دست یافت ، اما با از دست دادن آزمایش 0.014 و R2 از 0.77 ، تعمیم ضعیف تری به نمایش گذاشت.مدل 3D-CNN با از دست دادن آزمون 0.011 و R2 از 0.82 عملکرد معقول نشان داد اما در شرایط شدید بی ثباتی نشان داد.یک مطالعه موردی در مورد طوفان ایان ، که باعث افزایش منفی -1.5 متر در خلیج تمپا شد ، نشان دهنده استحکام و دقت مدل CNN -LSTM در سناریوهای شدید است.