Predicciones jerárquicas de intervalo de tiempo de fino a grueso y reconstrucción de campo atmosférico para la predicción de la trayectoria de tifones
Autores: Yan, Shengye; Zhang, Zhendong; Zheng, Wei
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Predicciones jerárquicas de intervalo de tiempo de fino a grueso y reconstrucción de campo atmosférico para la predicción de la trayectoria de tifones
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Astronomía
Palabras clave
Rutas de tifones
Métodos de aprendizaje profundo
Pacífico Noroeste
Red de predicción
Predicción a múltiples pasos de tiempo
Red de regresión
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 6
Citaciones: Sin citaciones
La predicción de las trayectorias de los tifones en el Pacífico Noroeste es clave para reducir las víctimas humanas y los daños materiales. Los modelos de pronóstico numérico tradicionales a menudo requieren recursos computacionales sustanciales, son costosos y tienen limitaciones significativas en la velocidad de predicción. Esta investigación se dedica a utilizar métodos de aprendizaje profundo para abordar las deficiencias de los métodos tradicionales. Nuestro método (AFR-SimVP) se basa en una red de predicción espaciotemporal de convolución de gran núcleo combinada con fusión de múltiples características para pronosticar las trayectorias de los tifones en el Pacífico Noroeste. Con el fin de suprimir de manera más efectiva el efecto del ruido en el conjunto de datos para mejorar la capacidad de generalización del modelo, utilizamos una estructura de múltiples ramas, incorporamos una subtarea de reconstrucción atmosférica y proponemos una pérdida de suavizado de segundo orden para mejorar aún más la capacidad de predicción del modelo. Más importante aún, proponemos de manera innovadora una red de predicción de tifones de múltiples pasos de tiempo (HTAFR-SimVP) que no utiliza en absoluto la familia de modelos de redes neuronales recurrentes tradicionales. En su lugar, a través de la extracción jerárquica de características temporales de fino a grueso y la auto-destilación dinámica, se logra la predicción de múltiples pasos de tiempo utilizando solo una única red de regresión. Además, combinada con la reconstrucción del campo atmosférico, la red logra una predicción integrada para múltiples tareas, lo que mejora enormemente el rango de aplicaciones del modelo. Los experimentos muestran que nuestra red propuesta logra un rendimiento óptimo en la tarea de predicción de trayectorias de tifones a 24 horas. Nuestra red de regresión supera a los modelos de predicción de tifones basados en redes recurrentes anteriores en la tarea de predicción de múltiples pasos de tiempo y también tiene un buen desempeño en múltiples tareas de integración.
Descripción
La predicción de las trayectorias de los tifones en el Pacífico Noroeste es clave para reducir las víctimas humanas y los daños materiales. Los modelos de pronóstico numérico tradicionales a menudo requieren recursos computacionales sustanciales, son costosos y tienen limitaciones significativas en la velocidad de predicción. Esta investigación se dedica a utilizar métodos de aprendizaje profundo para abordar las deficiencias de los métodos tradicionales. Nuestro método (AFR-SimVP) se basa en una red de predicción espaciotemporal de convolución de gran núcleo combinada con fusión de múltiples características para pronosticar las trayectorias de los tifones en el Pacífico Noroeste. Con el fin de suprimir de manera más efectiva el efecto del ruido en el conjunto de datos para mejorar la capacidad de generalización del modelo, utilizamos una estructura de múltiples ramas, incorporamos una subtarea de reconstrucción atmosférica y proponemos una pérdida de suavizado de segundo orden para mejorar aún más la capacidad de predicción del modelo. Más importante aún, proponemos de manera innovadora una red de predicción de tifones de múltiples pasos de tiempo (HTAFR-SimVP) que no utiliza en absoluto la familia de modelos de redes neuronales recurrentes tradicionales. En su lugar, a través de la extracción jerárquica de características temporales de fino a grueso y la auto-destilación dinámica, se logra la predicción de múltiples pasos de tiempo utilizando solo una única red de regresión. Además, combinada con la reconstrucción del campo atmosférico, la red logra una predicción integrada para múltiples tareas, lo que mejora enormemente el rango de aplicaciones del modelo. Los experimentos muestran que nuestra red propuesta logra un rendimiento óptimo en la tarea de predicción de trayectorias de tifones a 24 horas. Nuestra red de regresión supera a los modelos de predicción de tifones basados en redes recurrentes anteriores en la tarea de predicción de múltiples pasos de tiempo y también tiene un buen desempeño en múltiples tareas de integración.