ترجمه فارسی مقاله مجموعه ای مبتنی بر شبکه عصبی کانولوشن پس پردازش با تقویت داده برای پیش بینی بارش طوفان گرمسیری

چکیده

Heavy precipitation from tropical cyclones (TCs) may result in disasters, such as floods and landslides, leading to substantial economic damage and loss of life. Prediction of TC precipitation based on ensemble post-processing procedures using machine learning (ML) approaches has received considerable attention for its flexibility in modeling and its computational power in managing complex models. However, when applying ML techniques to TC precipitation for a specific area, the available observation data are typically insufficient for comprehensive training, validation, and testing of the ML model, primarily due to the rapid movement of TCs. We propose to use the convolutional neural network (CNN) as a deep ML model to leverage the spatial information of precipitation. The proposed model has three distinct features that differentiate it from traditional CNNs applied in meteorology. First, it utilizes data augmentation to alleviate challenges posed by the small sample size. Second, it contains geographical and dynamic variables to account for area-specific features and the relative distance between the study area and the moving TC. Third, it applies unequal weights to accommodate the temporal structure in the training data when calculating the objective function. The proposed CNN-all model is then illustrated with the TC Soudelor’s impact on Taiwan. Soudelor was the strongest TC of the 2015 Pacific typhoon season. The results show that the inclusion of augmented data and dynamic variables improves the prediction of heavy precipitation. The proposed CNN-all outperforms traditional CNN models, based on the continuous probability skill score (CRPSS), probability plots, and reliability diagram. The proposed model has the potential to be utilized in a wide range of meteorological studies.

چکیده به فارسی (ترجمه ماشینی)

بارش سنگین از سیکلون های گرمسیری (TCS) ممکن است منجر به فاجعه ای مانند سیل و زمین لغزش شود که منجر به آسیب اقتصادی قابل توجهی و از دست دادن زندگی می شود.پیش بینی بارش TC بر اساس روشهای پس از پردازش گروه با استفاده از رویکردهای یادگیری ماشین (ML) توجه قابل توجهی را برای انعطاف پذیری آن در مدل سازی و قدرت محاسباتی آن در مدیریت مدلهای پیچیده به خود جلب کرده است.با این حال ، هنگام استفاده از تکنیک های ML در بارش TC برای یک منطقه خاص ، داده های مشاهده موجود معمولاً برای آموزش جامع ، اعتبار سنجی و آزمایش مدل ML کافی نیست ، در درجه اول به دلیل حرکت سریع TCS.ما پیشنهاد می کنیم از شبکه عصبی Convolutional (CNN) به عنوان یک مدل ML عمیق برای استفاده از اطلاعات مکانی بارش استفاده کنیم.مدل پیشنهادی دارای سه ویژگی مجزا است که آن را از CNN های سنتی اعمال شده در هواشناسی متمایز می کند.اول ، از افزایش داده ها برای کاهش چالش های ناشی از اندازه نمونه کوچک استفاده می کند.دوم ، این شامل متغیرهای جغرافیایی و پویا است تا ویژگی های خاص منطقه و فاصله نسبی بین منطقه مورد مطالعه و TC متحرک را به خود اختصاص دهد.سوم ، این وزن نابرابر را برای قرار دادن ساختار زمانی در داده های آموزش هنگام محاسبه عملکرد هدف اعمال می کند.مدل پیشنهادی CNN-ALL سپس با تأثیر TC Soudelor در تایوان نشان داده شده است.Soudelor قوی ترین TC فصل 2015 Typhoon Pacific بود.نتایج نشان می دهد که گنجاندن داده های افزوده و متغیرهای پویا پیش بینی بارش سنگین را بهبود می بخشد.CNN-ALL پیشنهادی از مدلهای سنتی CNN ، بر اساس نمره مهارت مداوم احتمال (CRPSS) ، توطئه های احتمال و نمودار قابلیت اطمینان استفاده می کند.مدل پیشنهادی پتانسیل استفاده در طیف گسترده ای از مطالعات هواشناسی را دارد.