Un método de identificación del eje de la corriente en chorro automático basado en aprendizaje semi-supervisado
Autores: Gan, Jianhong; Liao, Tao; Qu, Youming; Bai, Aijuan; Wei, Peiyang; Gan, Yuling; He, Tongli
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Un método de identificación del eje de la corriente en chorro automático basado en aprendizaje semi-supervisado
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Astronomía
Palabras clave
Cambios
Corriente en chorro
Cambio climático
Método de identificación
Aprendizaje semi-supervisado
Eje
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 8
Citaciones: Sin citaciones
Los cambios en la corriente en chorro no solo afectan la persistencia del cambio climático y la frecuencia de fenómenos meteorológicos extremos, sino que también están estrechamente relacionados con fenómenos del cambio climático, como el calentamiento global. La forma manual de trazar los ejes de la corriente en chorro en las operaciones meteorológicas sufre de baja eficiencia y problemas de subjetividad. Los algoritmos de identificación automática basados en el análisis del campo de viento tienen algunas desventajas, como una mala capacidad de generalización, y es difícil manejar la fusión y la división. Se propone un método de identificación de ejes de corriente en chorro mediante aprendizaje semi-supervisado que combina el aprendizaje de consistencia y el autoentrenamiento. Primero, se entrena un modelo de segmentación a través del aprendizaje semi-supervisado. En el aprendizaje semi-supervisado, se inicializan dos redes neuronales con la misma estructura mediante diferentes métodos, a partir de los cuales se obtienen etiquetas pseudo. Las etiquetas pseudo de alta confianza se seleccionan añadiendo perturbaciones en la capa de características, y las etiquetas pseudo seleccionadas se incorporan al conjunto de entrenamiento para un autoentrenamiento adicional. Luego, se segmentan las regiones estrechas de la corriente en chorro a través del modelo de segmentación entrenado. Finalmente, se obtienen los ejes de la corriente en chorro con el método de extracción de esqueletos. Este artículo utiliza el método de identificación de ejes de corriente en chorro semi-supervisado para aprender características de datos no etiquetados para lograr una pequeña cantidad de datos etiquetados que permitan entrenar eficazmente el modelo y mejorar la capacidad de generalización del método en un pequeño número de casos etiquetados. Los experimentos en el conjunto de datos de ejes de corriente en chorro muestran que la precisión de identificación del método presentado en el conjunto de prueba supera aproximadamente el 78% para las líneas base SOTA, y el método mejorado exhibe un mejor rendimiento en comparación con el modelo de red de correlación y el método semi-supervisado.
Descripción
Los cambios en la corriente en chorro no solo afectan la persistencia del cambio climático y la frecuencia de fenómenos meteorológicos extremos, sino que también están estrechamente relacionados con fenómenos del cambio climático, como el calentamiento global. La forma manual de trazar los ejes de la corriente en chorro en las operaciones meteorológicas sufre de baja eficiencia y problemas de subjetividad. Los algoritmos de identificación automática basados en el análisis del campo de viento tienen algunas desventajas, como una mala capacidad de generalización, y es difícil manejar la fusión y la división. Se propone un método de identificación de ejes de corriente en chorro mediante aprendizaje semi-supervisado que combina el aprendizaje de consistencia y el autoentrenamiento. Primero, se entrena un modelo de segmentación a través del aprendizaje semi-supervisado. En el aprendizaje semi-supervisado, se inicializan dos redes neuronales con la misma estructura mediante diferentes métodos, a partir de los cuales se obtienen etiquetas pseudo. Las etiquetas pseudo de alta confianza se seleccionan añadiendo perturbaciones en la capa de características, y las etiquetas pseudo seleccionadas se incorporan al conjunto de entrenamiento para un autoentrenamiento adicional. Luego, se segmentan las regiones estrechas de la corriente en chorro a través del modelo de segmentación entrenado. Finalmente, se obtienen los ejes de la corriente en chorro con el método de extracción de esqueletos. Este artículo utiliza el método de identificación de ejes de corriente en chorro semi-supervisado para aprender características de datos no etiquetados para lograr una pequeña cantidad de datos etiquetados que permitan entrenar eficazmente el modelo y mejorar la capacidad de generalización del método en un pequeño número de casos etiquetados. Los experimentos en el conjunto de datos de ejes de corriente en chorro muestran que la precisión de identificación del método presentado en el conjunto de prueba supera aproximadamente el 78% para las líneas base SOTA, y el método mejorado exhibe un mejor rendimiento en comparación con el modelo de red de correlación y el método semi-supervisado.