ترجمه فارسی مقاله Cluster-Pregregate-Perturb (CSP): یک خط لوله توضیح مدل-آگنوستیک برای مدلهای پیش بینی سطح زمین مکانی مکانی

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 Cluster-Segregate-Perturb (CSP): A Model-agnostic Explainability Pipeline for Spatiotemporal Land Surface Forecasting Models
عنوان مقاله به فارسی Cluster-Pregregate-Perturb (CSP): یک خط لوله توضیح مدل-آگنوستیک برای مدلهای پیش بینی سطح زمین مکانی مکانی
نویسندگان Tushar Verma, Sudipan Saha
فرمت مقاله انگلیسی PDF
تعداد صفحات 9
دسته بندی موضوعات Machine Learning,Image and Video Processing,یادگیری ماشین , پردازش تصویر و فیلم ,
توضیحات Submitted 12 August, 2024; originally announced August 2024.
توضیحات به فارسی ارائه شده 12 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 360,000 تومان

زمان تحویل: 2 تا 3 روز کاری


📚 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

Satellite images have become increasingly valuable for modelling regional climate change effects. Earth surface forecasting represents one such task that integrates satellite images with meteorological data to capture the joint evolution of regional climate change effects. However, understanding the complex relationship between specific meteorological variables and land surface evolution poses a significant challenge. In light of this challenge, our paper introduces a pipeline that integrates principles from both perturbation-based explainability techniques like LIME and global marginal explainability techniques like PDP, besides addressing the constraints of using such techniques when applying them to high-dimensional spatiotemporal deep models. The proposed pipeline simplifies the undertaking of diverse investigative analyses, such as marginal sensitivity analysis, marginal correlation analysis, lag analysis, etc., on complex land surface forecasting models In this study we utilised Convolutional Long Short-Term Memory (ConvLSTM) as the surface forecasting model and did analyses on the Normalized Difference Vegetation Index (NDVI) of the surface forecasts, since meteorological variables like temperature, pressure, and precipitation significantly influence it. The study area encompasses various regions in Europe. Our analyses show that precipitation exhibits the highest sensitivity in the study area, followed by temperature and pressure. Pressure has little to no direct effect on NDVI. Additionally, interesting nonlinear correlations between meteorological variables and NDVI have been uncovered.

چکیده به فارسی (ترجمه ماشینی)

تصاویر ماهواره ای برای مدل سازی اثرات تغییرات آب و هوایی منطقه ای به طور فزاینده ای ارزشمند شده اند.پیش بینی سطح زمین یک کار را نشان می دهد که تصاویر ماهواره ای را با داده های هواشناسی ادغام می کند تا تکامل مفصل اثرات تغییرات آب و هوایی منطقه ای را ضبط کند.با این حال ، درک رابطه پیچیده بین متغیرهای خاص هواشناسی و تکامل سطح زمین یک چالش مهم را به وجود می آورد.با توجه به این چالش ، مقاله ما خط لوله ای را معرفی می کند که اصول را از هر دو تکنیک توضیح مبتنی بر آشفتگی مانند لیموترش و تکنیک های توضیحات حاشیه ای جهانی مانند PDP ادغام می کند ، علاوه بر این ، علاوه بر پرداختن به محدودیت های استفاده از چنین تکنیک هایی هنگام استفاده از آنها در مدل های عمیق فضایی و ابعاد بالا.خط لوله پیشنهادی ، تعهد تجزیه و تحلیل های متنوع تحقیق ، مانند تجزیه و تحلیل حساسیت حاشیه ای ، تجزیه و تحلیل همبستگی حاشیه ای ، تجزیه و تحلیل تاخیر و غیره را در مدل های پیچیده پیش بینی سطح زمین در این مطالعه ساده می کند.مدل پیش بینی و تجزیه و تحلیل در مورد شاخص پوشش گیاهی اختلاف عادی (NDVI) پیش بینی سطح ، از آنجا که متغیرهای هواشناسی مانند دما ، فشار و بارش به طور قابل توجهی بر آن تأثیر می گذارد.منطقه مورد مطالعه شامل مناطق مختلف اروپا است.تجزیه و تحلیل ما نشان می دهد که بارش بیشترین حساسیت را در منطقه مورد مطالعه نشان می دهد و به دنبال آن دما و فشار.فشار تأثیر مستقیمی بر NDVI ندارد.علاوه بر این ، همبستگی های غیرخطی جالب بین متغیرهای هواشناسی و NDVI کشف شده است.

📚 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.