Máquina de Aumento Explicable: Una Estrategia Contemporánea de Caja de Cristal para la Evaluación de la Severidad del Corte de Viento en la Vecindad de la Pista Basada en los Datos de Detección y Rango por Luz Doppler
Autores: Khattak, Afaq; Zhang, Jianping; Chan, Pak-Wai; Chen, Feng; Almujibah, Hamad
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Máquina de Aumento Explicable: Una Estrategia Contemporánea de Caja de Cristal para la Evaluación de la Severidad del Corte de Viento en la Vecindad de la Pista Basada en los Datos de Detección y Rango por Luz Doppler
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Astronomía
Palabras clave
Cizalladura del viento
EBM
Cizalladura del viento severa
Doppler LiDAR
Modelo de ML
Aeropuerto Internacional de Hong Kong
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 6
Citaciones: Sin citaciones
Los pilotos comúnmente reciben entrenamiento para gestionar eficazmente los casos de cizalladura del viento (WS) durante las etapas de aterrizaje y despegue. Sin embargo, en circunstancias excepcionales, puede haber casos de cizalladura del viento severa (SWS) que superan una magnitud de 30 nudos, lo que lleva a efectos adversos en la operación de despegue y aterrizaje de aeronaves. Este fenómeno puede llevar a la ejecución de maniobras de aterrizaje abortadas y desviaciones de la trayectoria de planeo prevista. Este estudio utilizó la máquina de impulso explicable (EBM), un modelo avanzado de aprendizaje automático (ML) conocido por su transparencia, para predecir la gravedad de los casos de WS y analizar los factores subyacentes. El conjunto de datos consistió en 21,392 puntos de datos de 2018 a 2022 adquiridos de dos sistemas de detección y rango de luz Doppler (LiDAR) instalados en el Aeropuerto Internacional de Hong Kong (HKIA). Inicialmente, los datos de LiDAR Doppler recibieron tratamiento de datos para abordar el problema del desequilibrio de datos. Posteriormente, utilizando los datos procesados, se optimizaron los hiperparámetros de EBM utilizando la técnica de optimización bayesiana. El modelo EBM fue sometido a un entrenamiento y evaluación posteriores, en los que se calcularon y compararon sus métricas de rendimiento con las de un modelo de caja de cristal alternativo que incluye árboles de decisión (DT) y modelos de caja negra, a saber, bosque aleatorio (RF) y aumento extremo de gradiente (XGBoost). El modelo EBM entrenado con datos tratados con la técnica de sobremuestreo de minorías sintéticas (SMOTE) demostró un rendimiento superior en comparación con los modelos alternativos, como lo indica su mayor media geométrica (0.77), precisión equilibrada (0.78) y coeficiente de correlación de Matthews (0.169). Además, el EBM mostró un rendimiento predictivo mejorado y facilitó un análisis exhaustivo de las interacciones de factores individuales y por pares en la predicción de la gravedad de WS. Esto permitió la evaluación de los factores que contribuyeron a los casos de SWS en la proximidad de las pistas del aeropuerto.
Descripción
Los pilotos comúnmente reciben entrenamiento para gestionar eficazmente los casos de cizalladura del viento (WS) durante las etapas de aterrizaje y despegue. Sin embargo, en circunstancias excepcionales, puede haber casos de cizalladura del viento severa (SWS) que superan una magnitud de 30 nudos, lo que lleva a efectos adversos en la operación de despegue y aterrizaje de aeronaves. Este fenómeno puede llevar a la ejecución de maniobras de aterrizaje abortadas y desviaciones de la trayectoria de planeo prevista. Este estudio utilizó la máquina de impulso explicable (EBM), un modelo avanzado de aprendizaje automático (ML) conocido por su transparencia, para predecir la gravedad de los casos de WS y analizar los factores subyacentes. El conjunto de datos consistió en 21,392 puntos de datos de 2018 a 2022 adquiridos de dos sistemas de detección y rango de luz Doppler (LiDAR) instalados en el Aeropuerto Internacional de Hong Kong (HKIA). Inicialmente, los datos de LiDAR Doppler recibieron tratamiento de datos para abordar el problema del desequilibrio de datos. Posteriormente, utilizando los datos procesados, se optimizaron los hiperparámetros de EBM utilizando la técnica de optimización bayesiana. El modelo EBM fue sometido a un entrenamiento y evaluación posteriores, en los que se calcularon y compararon sus métricas de rendimiento con las de un modelo de caja de cristal alternativo que incluye árboles de decisión (DT) y modelos de caja negra, a saber, bosque aleatorio (RF) y aumento extremo de gradiente (XGBoost). El modelo EBM entrenado con datos tratados con la técnica de sobremuestreo de minorías sintéticas (SMOTE) demostró un rendimiento superior en comparación con los modelos alternativos, como lo indica su mayor media geométrica (0.77), precisión equilibrada (0.78) y coeficiente de correlación de Matthews (0.169). Además, el EBM mostró un rendimiento predictivo mejorado y facilitó un análisis exhaustivo de las interacciones de factores individuales y por pares en la predicción de la gravedad de WS. Esto permitió la evaluación de los factores que contribuyeron a los casos de SWS en la proximidad de las pistas del aeropuerto.