ترجمه فارسی مقاله یک رویکرد ترکیبی جدید برای پیش‌بینی گردباد در ایالات متحده: BiLSTM کالمن-کانولوشنی با توجه چند سر

چکیده

Tornadoes are among the most intense atmospheric vortex phenomena and pose significant challenges for detection and forecasting. Conventional methods, which heavily depend on ground-based observations and radar data, are limited by issues such as decreased accuracy over greater distances and a high rate of false positives. To address these challenges, this study utilizes the Seamless Hybrid Scan Reflectivity (SHSR) dataset from the Multi-Radar Multi-Sensor (MRMS) system, which integrates data from multiple radar sources to enhance accuracy. A novel hybrid model, the Kalman-Convolutional BiLSTM with Multi-Head Attention, is introduced to improve dynamic state estimation and capture both spatial and temporal dependencies within the data. This model demonstrates superior performance in precision, recall, F1-Score, and accuracy compared to methods such as K-Nearest Neighbors (KNN) and LightGBM. The results highlight the considerable potential of advanced machine learning techniques to improve tornado prediction and reduce false alarm rates. Future research will focus on expanding datasets, exploring innovative model architectures, and incorporating large language models (LLMs) to provide deeper insights. This research introduces a novel model for tornado prediction, offering a robust framework for enhancing forecasting accuracy and public safety.

چکیده به فارسی (ترجمه ماشینی)

گردبادها از شدیدترین پدیده های گرداب جوی هستند و چالش های قابل توجهی برای تشخیص و پیش بینی ایجاد می کنند.روشهای متعارف ، که به شدت به مشاهدات مبتنی بر زمین و داده های راداری بستگی دارند ، با موضوعاتی مانند کاهش دقت در مسافت های بیشتر و میزان بالای مثبت کاذب محدود می شوند.برای پرداختن به این چالش ها ، این مطالعه با استفاده از مجموعه داده بازتابی اسکن ترکیبی (SHSR) یکپارچه از سیستم چند سانسور چند رادار (MRMS) ، که داده ها را از چندین منبع رادار برای افزایش دقت ادغام می کند.یک مدل ترکیبی جدید ، Bilstm Kalman-Convolutional با توجه چند سر ، برای بهبود تخمین حالت پویا و ضبط وابستگی های مکانی و زمانی در داده ها معرفی شده است.این مدل عملکرد برتر را در دقت ، فراخوان ، نمره F1 و دقت در مقایسه با روشهایی مانند همسایگان K-Nearest (KNN) و LightGBM نشان می دهد.این نتایج پتانسیل قابل توجهی از تکنیک های پیشرفته یادگیری ماشین را برای بهبود پیش بینی گردباد و کاهش میزان زنگ هشدار کاذب برجسته می کند.تحقیقات آینده بر گسترش مجموعه داده ها ، کاوش در معماری های مدل نوآورانه و ترکیب مدل های بزرگ زبان (LLM) برای ارائه بینش های عمیق تر متمرکز خواهد شد.این تحقیق یک مدل جدید برای پیش بینی گردباد را ارائه می دهد و یک چارچوب قوی برای افزایش دقت پیش بینی و ایمنی عمومی ارائه می دهد.