en یک مدل هشدار زودهنگام مبتنی بر هوش مصنوعی برای تشدید سریع طوفان‌های گرمسیری در کاربردهای مدیریت بحران عمومى General پژوهشي Research 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. <span style="font-size:12pt"><span style="line-height:150%"><span new="" roman="" style="font-family:" times="">Rapid intensification (RI) of tropical cyclones remains a key source of forecast uncertainty and a major driver of rapid hazard escalation in early warning systems. We propose a lightweight temporal mixing neural model for probabilistic RI prediction from a compact set of physically interpretable, storm center predictors: Sea Surface Temperature (<i>SST</i>), Mean Sea Level Pressure (<i>MSLP</i>) and vertical wind shear, augmented with 6-24 h lagged values. We also consider storm-wise splits by cyclone identifier and report discrimination with ROC-AUC and average precision, probabilistic accuracy via Brier score and decision-oriented verification with POD and FAR metrics. We apply post-hoc Platt scaling on the validation split and assess calibration with reliability diagrams. On the held-out test split the model achieves strong discrimination with ROC-AUC approximately 0.79 and AP metric approximately 0.20, Brier score approximately 0.054. Based on SHAP analysis, MSLP- and SST- related features identified as most the impactful features for the forecast. All experiments were carried out on a single graphics processing unit (GPU) NVIDIA RTX 5080 Ti. Therefore, the proposed approach is suitable for environments with limited computational resources.</span></span></span> سیکلون حاره‌ای, شدت‌گیری سریع, پیش‌بینی شدت, TinyTimeMixer, ERA5, IBTrACS tropical cyclone, rapid intensification, early warning, disaster risk reduction, intensity forecast, TimeMixerDrop, ERA5, IBTrACS. 0 0 http://dpmk.ir/browse.php?a_code=A-10-1018-1&slc_lang=en&sid=1 Alexey Shkerin Alexey Shkerin le.hkerin@yandex.ru 10031947532846008433 10031947532846008433 Yes RTU MIREA (Russian Technological University), Moscow, Russia RTU MIREA (Russian Technological University), Moscow, Russia Andrew Kalach Andrew Kalach a_kalach@mail.ru 10031947532846008434 10031947532846008434 No RTU MIREA (Russian Technological University), Moscow, Russia RTU MIREA (Russian Technological University), Moscow, Russia