توفانهای حارهای از مخربترین بلایای طبیعی هستند و پیشبینی آنها همواره با موازنههای بنیادینی همراه بوده است. مدلهای عددی پیشبینی آبوهوا از نظر محاسباتی پرهزینه هستند و در بهرهگیری از الگوهای تاریخی ناتوانند، در حالی که رویکردهای یادگیری عمیق موجود، وابسته به متغیرهای خاص، قطعی و بدون قابلیت تعمیم هستند. سایکلونامایئی این محدودیتها را با معرفی یک چارچوب پیشبینی چندوظیفهای مقیاسپذیر برطرف کرده است که از معماری رمزگذار خودکار آگاه از ساختار برای یادگیری نمایشهای قابل انتقال توفانهای حارهای از modalities دادهای مختلف بهره میبرد. این مدل از مکانیزم گریدینگ احتمالی گسسته همراه با پیشآموزش و تنظیم دقیق استفاده میکند و امکان ارائه همزمان پیشبینیهای قطعی و توزیعهای احتمالی را فراهم میسازد.
این چارچوب در پنج حوضه اقیانوسی اصلی جهان بهطور جامع ارزیابی شد. سایکلونامایئی در پیشبینی فشار و سرعت باد برای افقهای زمانی تا ۱۲۰ ساعت از سیستمهای پیشبینی عددی پیشرو بهتر عمل کرد و در پیشبینی مسیر برای ۲۴ ساعت عملکرد رقابتی نشان داد. رویکرد یادگیری چندوظیفهای به مدل امکان میدهد نمایشهای مشترکی بیاموزد که بین متغیرهای پیشبینی مختلف قابل انتقال هستند و تعمیمپذیری و مقاومت را بهطور چشمگیری بهبود میبخشند.
تحلیل انتساب با استفاده از گرادیانهای یکپارچه، پویاییهای یادگیری قابل تفسیر فیزیکی را آشکار کرد. مدل انتقال واضحی در اهمیت ویژگیها بر اساس افق زمانی پیشبینی نشان میدهد. پیشبینیهای کوتاهمدت عمدتاً بر ساختارهای همرفتی هسته داخلی که در تصاویر ماهوارهای ثبت شدهاند تکیه دارند، در حالی که پیشبینیهای بلندمدت بهتدریج توجه خود را به عوامل محیطی بیرونی معطوف میکنند. این رفتار با درک هواشناسی از دینامیک توفانهای حارهای همخوانی دارد و اطمینان از نمایشهای آموختهشده مدل را فراهم میسازد.
سایکلونامایئی مسیری مقیاسپذیر، احتمالی و قابل تفسیر برای پیشبینی عملیاتی توفانهای حارهای ایجاد میکند. این معماری از ادغام دادههای چندوجهی پشتیبانی کرده، وظایف پیشبینی وابسته به متغیرها را در یک چارچوب یکپارچه مدیریت میکند و از طریق خروجیهای احتمالی، کمیسازی عدم قطعیت را فراهم میسازد. این قابلیتها شکافهای مهمی در سیستمهای پیشبینی عملیاتی فعلی را پر میکنند و میتوانند سیستمهای هشدار زودهنگام جوامع واقع در مناطق مستعد توفانهای حارهای را بهطور قابل توجهی ارتقا دهند.
گفتگو