Andrew Vladimirovich K, Alexey Leonodivch S. An AI-Based Early Warning Model for Rapid Intensification of Tropical Cyclones in Disaster Management Applications. Disaster Prev. Manag. Know. 2026; 16 (3)
URL:
http://dpmk.ir/article-1-839-fa.html
اندرو ولادیمیرویچ کالاچ، الکسی لئونودیوچ شکرین. یک مدل هشدار زودهنگام مبتنی بر هوش مصنوعی برای تشدید سریع طوفانهای گرمسیری در کاربردهای مدیریت بحران. دانش پیشگیری و مدیریت بحران. 1405; 16 (3)
URL: http://dpmk.ir/article-1-839-fa.html
1- دانشگاه فناوری روسیه، مسکو، روسیه.
چکیده: (777 مشاهده)
تشدید سریع (RI) طوفانهای گرمسیری همچنان منبع کلیدی عدم قطعیت پیشبینی و عامل اصلی تشدید سریع خطر در سیستمهای هشدار اولیه است. ما یک مدل عصبی ترکیبی زمانی سبک برای پیشبینی احتمالی RI از مجموعهای فشرده از پیشبینیکنندههای مرکز طوفان که از نظر فیزیکی قابل تفسیر هستند، پیشنهاد میکنیم: دمای سطح دریا (SST)، فشار متوسط سطح دریا (MSLP) و برش باد عمودی، که با مقادیر تأخیری 6-24 ساعته تقویت شدهاند. ما همچنین تقسیمبندیهای طوفان را با استفاده از شناسه طوفان در نظر میگیریم و تفکیک را با ROC-AUC و دقت متوسط، دقت احتمالی از طریق امتیاز Brier و تأیید تصمیمگیری محور با معیارهای POD و FAR گزارش میدهیم. ما مقیاسبندی Post-hoc Platt را روی تقسیم اعتبارسنجی اعمال میکنیم و کالیبراسیون را با نمودارهای قابلیت اطمینان ارزیابی میکنیم. در تقسیمبندی آزمون hold-out، مدل با ROC-AUC تقریباً 0.79 و معیار AP تقریباً 0.20 و امتیاز Brier تقریباً 0.054 به تفکیک قوی دست مییابد. بر اساس تجزیه و تحلیل SHAP، ویژگیهای مرتبط با MSLP و SST به عنوان تأثیرگذارترین ویژگیهای پیشبینی شناسایی شدند. تمام آزمایشها بر روی یک واحد پردازش گرافیکی (GPU) NVIDIA RTX 5080 Ti انجام شد. بنابراین، رویکرد پیشنهادی برای محیطهایی با منابع محاسباتی محدود مناسب است.
نوع مطالعه:
پژوهشي |
موضوع مقاله:
عمومى دریافت: 1404/10/3 | پذیرش: 1404/12/22 | انتشار الکترونیک: 1405/9/10