Atmospheric and Oceanic Physics,Machine Learning,فیزیک جوی و اقیانوسی , یادگیری ماشین ,
توضیحات
Submitted 28 August, 2024; originally announced August 2024. , Comments: 10 pages, 6 figures (main text); 11 pages, 4 figures (supporting information). This version of the manuscript is a preprint and not peer-reviewed
توضیحات به فارسی
ارسال شده 28 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: 10 صفحه ، 6 شکل (متن اصلی) ؛11 صفحه ، 4 شکل (اطلاعات پشتیبانی).این نسخه از نسخه خطی پیش نویس است و همکار مورد بررسی قرار نمی گیرد
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 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
Computational models of atmospheric composition are not always physically consistent. For example, not all models respect fundamental conservation laws such as conservation of atoms in an interconnected chemical system. In well performing models, these nonphysical deviations are often ignored because they are frequently minor, and thus only need a small nudge to perfectly conserve mass. Here we introduce a method that anchors a prediction from any numerical model to physically consistent hard constraints, nudging concentrations to the nearest solution that respects the conservation laws. This closed-form model-agnostic correction uses a single matrix operation to minimally perturb the predicted concentrations to ensure that atoms are conserved to machine precision. To demonstrate this approach, we train a gradient boosting decision tree ensemble to emulate a small reference model of ozone photochemistry and test the effect of the correction on accurate but non-conservative predictions. The nudging approach minimally perturbs the already well-predicted results for most species, but decreases the accuracy of important oxidants, including radicals. We develop a weighted extension of this nudging approach that considers the uncertainty and magnitude of each species in the correction. This species-level weighting approach is essential to accurately predict important low concentration species such as radicals. We find that applying the uncertainty-weighted correction to the nonphysical predictions slightly improves overall accuracy, by nudging the predictions to a more likely mass-conserving solution.
چکیده به فارسی (ترجمه ماشینی)
مدل های محاسباتی ترکیب جوی همیشه از نظر جسمی سازگار نیستند.به عنوان مثال ، همه مدل ها به قوانین اساسی حفاظت مانند حفاظت از اتم ها در یک سیستم شیمیایی بهم پیوسته احترام نمی گذارند.در مدل های خوب عملکرد ، این انحرافات غیر فیزیکی اغلب نادیده گرفته می شوند زیرا اغلب جزئی هستند و بنابراین فقط برای حفظ کامل توده به یک گودال کوچک احتیاج دارند.در اینجا ما روشی را معرفی می کنیم که پیش بینی از هر مدل عددی را به محدودیت های سخت جسمی سازگار می کند ، غلظت های خود را به نزدیکترین راه حل که به قوانین حفاظت احترام می گذارد ، فریب می دهد.این تصحیح مدل بسته-آگنوستیک با استفاده از یک عمل ماتریس واحد برای ایجاد حداقل غلظت های پیش بینی شده برای اطمینان از حفظ اتم ها با دقت دستگاه استفاده می کند.برای نشان دادن این رویکرد ، ما یک گروه درخت تصمیم گیری شیب را برای تقلید از یک مدل مرجع کوچک از فتوشیمی ازن آموزش می دهیم و تأثیر تصحیح را بر پیش بینی های دقیق اما غیر محافظه کار آزمایش می کنیم.رویکرد برهنه حداقل نتایج را که قبلاً به خوبی پیش بینی شده است برای اکثر گونه ها آشفته می کند ، اما دقت اکسیدان های مهم ، از جمله رادیکال ها را کاهش می دهد.ما یک افزایش وزنی از این رویکرد برهنه ایجاد می کنیم که عدم اطمینان و بزرگی هر گونه در اصلاح را در نظر می گیرد.این روش وزن گیری در سطح گونه برای پیش بینی دقیق گونه های مهم غلظت کم مانند رادیکال ها ضروری است.ما می دانیم که استفاده از تصحیح وزن عدم قطعیت در پیش بینی های غیرفیزیکی ، دقت کلی را بهبود می بخشد ، با استفاده از پیش بینی ها به یک راه حل محتمل تر تحمل انبوه.
📚 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.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 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
