ترجمه فارسی مقاله مدل سازی برف روی یخ دریا با استفاده از یادگیری ماشین هدایت فیزیک

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Modeling Snow on Sea Ice using Physics Guided Machine Learning
عنوان مقاله به فارسی مدل سازی برف روی یخ دریا با استفاده از یادگیری ماشین هدایت فیزیک
نویسندگان Ayush Prasad, Ioanna Merkouriadi, Aleksi Nummelin
فرمت مقاله انگلیسی PDF
تعداد صفحات 9
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Atmospheric and Oceanic Physics,فیزیک جوی و اقیانوسی ,
توضیحات Submitted 12 September, 2024; originally announced September 2024. , Comments: Accepted for publication in Cambridge Environmental Data Science
توضیحات به فارسی ارسال شده 12 سپتامبر 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد. ، نظرات: برای انتشار در علوم داده های محیط زیست کمبریج پذیرفته شده است
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Snow is a crucial element of the sea ice system, affecting sea ice growth and decay due to its low thermal conductivity and high albedo. Despite its importance, present-day climate models have an idealized representation of snow, often including only single-layer thermodynamics and omitting several processes that shape its properties. Although advanced snow process models like SnowModel exist, they are often excluded from climate modeling due to their high computational costs. SnowModel simulates snow depth, density, blowing-snow redistribution, sublimation, grain size, and thermal conductivity in a multi-layer snowpack. It operates with high spatial (1 meter) and temporal (1 hour) resolution. However, for large regions like the Arctic Ocean, these high-resolution simulations face challenges such as slow processing and large resource requirements. Data-driven emulators are used to address these issues, but they often lack generalizability and consistency with physical laws. In our study, we address these challenges by developing a physics-guided emulator that incorporates physical laws governing changes in snow density due to compaction. We evaluated three machine learning models: Long Short-Term Memory (LSTM), Physics-Guided LSTM, and Random Forest across five Arctic regions. All models achieved high accuracy, with the Physics-Guided LSTM showing the best performance in accuracy and generalizability. Our approach offers a faster way to emulate SnowModel with a speedup of over 9000 times, maintaining high fidelity.

چکیده به فارسی (ترجمه ماشینی)

برف یک عنصر مهم سیستم یخ دریا است که به دلیل هدایت حرارتی کم و آلبیدو زیاد ، بر رشد یخ دریا و پوسیدگی تأثیر می گذارد.علیرغم اهمیت آن ، مدل های آب و هوایی امروزی دارای نمایشی ایده آل از برف هستند ، که اغلب فقط ترمودینامیک تک لایه ای از آن را شامل می شود و چندین فرآیند را حذف می کند که خصوصیات آن را شکل می دهد.اگرچه مدل های پیشرفته فرآیند برف مانند برف برفی وجود دارند ، اما به دلیل هزینه های محاسباتی بالای آنها ، اغلب از مدل سازی آب و هوا خارج می شوند.مدل برفی عمق برفی ، چگالی ، توزیع مجدد دمنده دمیدن ، تصعید ، اندازه دانه و هدایت حرارتی را در یک برفی چند لایه شبیه سازی می کند.با وضوح مکانی (1 متر) و زمانی (1 ساعت) کار می کند.با این حال ، برای مناطق بزرگی مانند اقیانوس قطب شمال ، این شبیه سازی های با وضوح بالا با چالش هایی مانند پردازش آهسته و نیازهای منابع بزرگ روبرو هستند.از شبیه سازهای داده محور برای رسیدگی به این مسائل استفاده می شود ، اما اغلب فاقد تعمیم پذیری و سازگاری با قوانین فیزیکی هستند.در مطالعه ما ، ما با ایجاد یک شبیه ساز با هدایت فیزیک که شامل قوانین فیزیکی حاکم بر تغییرات در تراکم برف به دلیل تراکم است ، به این چالش ها می پردازیم.ما سه مدل یادگیری ماشین را ارزیابی کردیم: حافظه کوتاه مدت بلند مدت (LSTM) ، LSTM با هدایت فیزیک و جنگل تصادفی در پنج منطقه قطب شمال.همه مدل ها با دقت بالایی به دست آوردند ، با LSTM با هدایت فیزیک بهترین عملکرد را در دقت و تعمیم پذیری نشان می دهد.رویکرد ما راهی سریعتر برای تقلید از مدل برفی با سرعت بیش از 9000 بار و حفظ وفاداری بالایی ارائه می دهد.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.