ترجمه فارسی مقاله همرفت در مقیاس کیلومتر که امکان شبیه‌سازی مدل با استفاده از مدل‌سازی انتشار تولیدی را فراهم می‌کند

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Kilometer-Scale Convection Allowing Model Emulation using Generative Diffusion Modeling
عنوان مقاله به فارسی همرفت در مقیاس کیلومتر که امکان شبیه‌سازی مدل با استفاده از مدل‌سازی انتشار تولیدی را فراهم می‌کند
نویسندگان Jaideep Pathak, Yair Cohen, Piyush Garg, Peter Harrington, Noah Brenowitz, Dale Durran, Morteza Mardani, Arash Vahdat, Shaoming Xu, Karthik Kashinath, Michael Pritchard
فرمت مقاله انگلیسی PDF
تعداد صفحات 33
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Atmospheric and Oceanic Physics,Machine Learning,فیزیک جوی و اقیانوسی , یادگیری ماشین ,
توضیحات Submitted 20 August, 2024; originally announced August 2024.
توضیحات به فارسی 20 اوت 2024 ارسال شد.در ابتدا اوت 2024 اعلام شد.
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

Storm-scale convection-allowing models (CAMs) are an important tool for predicting the evolution of thunderstorms and mesoscale convective systems that result in damaging extreme weather. By explicitly resolving convective dynamics within the atmosphere they afford meteorologists the nuance needed to provide outlook on hazard. Deep learning models have thus far not proven skilful at km-scale atmospheric simulation, despite being competitive at coarser resolution with state-of-the-art global, medium-range weather forecasting. We present a generative diffusion model called StormCast, which emulates the high-resolution rapid refresh (HRRR) model-NOAA's state-of-the-art 3km operational CAM. StormCast autoregressively predicts 99 state variables at km scale using a 1-hour time step, with dense vertical resolution in the atmospheric boundary layer, conditioned on 26 synoptic variables. We present evidence of successfully learnt km-scale dynamics including competitive 1-6 hour forecast skill for composite radar reflectivity alongside physically realistic convective cluster evolution, moist updrafts, and cold pool morphology. StormCast predictions maintain realistic power spectra for multiple predicted variables across multi-hour forecasts. Together, these results establish the potential for autoregressive ML to emulate CAMs -- opening up new km-scale frontiers for regional ML weather prediction and future climate hazard dynamical downscaling.

چکیده به فارسی (ترجمه ماشینی)

مدل های صدور همرفت در مقیاس طوفان (CAM) ابزاری مهم برای پیش بینی تکامل رعد و برق و سیستم های همرفت Mesoscale است که منجر به آسیب رساندن به هوای شدید می شود.با حل صریح پویایی همرفتی در جو ، آنها به هواشناسان می پردازند که ظرافت لازم برای ارائه چشم انداز خطر را فراهم می کند.مدلهای یادگیری عمیق تاکنون با وجود رقابت در وضوح درشت تر با پیش بینی پیشرفته آب و هوایی جهانی و با برد متوسط ​​، تاکنون در شبیه سازی جوی در مقیاس KM اثبات نشده اند.ما یک مدل انتشار مولد به نام Stormcast ارائه می دهیم ، که مدل CAM عملیاتی 3 کیلومتری مدل 3 کیلومتری مدل NOAA را با وضوح بالا (HRRR) مدل سازی می کند.Stormcast به طور خودکار 99 متغیر دولتی را در مقیاس کیلومتر با استفاده از یک مرحله 1 ساعته پیش بینی می کند ، با وضوح عمودی متراکم در لایه مرزی جوی ، بر روی 26 متغیر سینوپتیک.ما شواهدی از پویایی در مقیاس KM آموخته شده از جمله مهارت پیش بینی رقابتی 1-6 ساعته برای بازتابی رادار کامپوزیت در کنار تکامل خوشه ای همرفتی جسمی واقع گرایانه ، به روزرسانی مرطوب و مورفولوژی استخر سرد ارائه می دهیم.پیش بینی های Stormcast طیف قدرت واقع بینانه را برای متغیرهای پیش بینی شده متعدد در پیش بینی های چند ساعته حفظ می کنند.با هم ، این نتایج پتانسیل ML خود را برای تقلید از CAM ها ایجاد می کند-باز کردن مرزهای جدید در مقیاس KM برای پیش بینی آب و هوا ML منطقه ای و پایین آمدن پویا خطرناک آب و هوا.

📚 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.