समुद्री सतह के तापमान की भविष्यवाणी के लिए डीप न्यूरल नेटवर्क: सार और परिचय

लिंक की तालिका

• सार और परिचय
• पृष्ठभूमि
• प्रस्तावित विधि
• प्रयोगात्मक परिणाम और विश्लेषण
• निष्कर्ष और भविष्य के काम
• संदर्भ

अमूर्त

परंपरागत रूप से, भौतिक समीकरणों का प्रतिनिधित्व करके महासागरीय गतिशीलता का अनुकरण करने के लिए समुद्र विज्ञान अध्ययनों में संख्यात्मक मॉडल तैनात किए गए हैं। हालाँकि, महासागरीय गतिशीलता से संबंधित कई कारक अस्पष्ट प्रतीत होते हैं। हम तर्क देते हैं कि देखे गए डेटा से भौतिक ज्ञान को स्थानांतरित करने से समुद्री सतह के तापमान (SST) की भविष्यवाणी करते समय संख्यात्मक मॉडल की सटीकता में और सुधार हो सकता है। हाल ही में, पृथ्वी अवलोकन प्रौद्योगिकियों में प्रगति ने डेटा की एक बड़ी वृद्धि की है। नतीजतन, ऐतिहासिक अवलोकन डेटा की लगातार बढ़ती मात्रा का उपयोग करके संख्यात्मक मॉडल को बेहतर बनाने और पूरक करने के तरीकों की खोज करना अनिवार्य है। इस उद्देश्य के लिए, हम SST भविष्यवाणी के लिए एक विधि पेश करते हैं जो ऐतिहासिक अवलोकनों से भौतिक ज्ञान को संख्यात्मक मॉडल में स्थानांतरित करती है। विशेष रूप से, हम देखे गए डेटा से भौतिक ज्ञान को कैप्चर करने के लिए एक एनकोडर और एक जनरेटिव एडवर्सरीयल नेटवर्क (GAN) के संयोजन का उपयोग करते हैं। संख्यात्मक मॉडल डेटा को फिर भौतिकी-संवर्धित डेटा उत्पन्न करने के लिए पूर्व-प्रशिक्षित मॉडल में डाला जाता है, जिसका उपयोग तब SST भविष्यवाणी के लिए किया जा सकता है। प्रायोगिक परिणाम प्रदर्शित करते हैं कि प्रस्तावित विधि कई अत्याधुनिक बेसलाइन की तुलना में SST भविष्यवाणी प्रदर्शन को काफी हद तक बढ़ाती है।

सूचकांक शब्द - समुद्र सतह का तापमान, भौतिक ज्ञान, जनरेटिव प्रतिकूल नेटवर्क, संख्यात्मक मॉडल

I. प्रस्तावना

महासागरीय गतिशीलता की भविष्यवाणी के लिए संख्यात्मक मॉडल एक पारंपरिक गणितीय संगणना पद्धति रही है। विश्व जलवायु अनुसंधान कार्यक्रम (WCRP) के आँकड़ों के अनुसार, अनुसंधान समुदाय ने 40 से अधिक महासागर संख्यात्मक मॉडल विकसित किए हैं, जिनमें से प्रत्येक के अपने फायदे और विशेषताएं हैं। उदाहरण के लिए, क्षेत्रीय महासागर मॉडल प्रणाली (ROMS) [1] में एक शक्तिशाली पारिस्थितिक सहायक मॉड्यूल है, तेज़ महासागर वायुमंडल मॉडल (FOAM) [2] वैश्विक युग्मित महासागर-वायुमंडल अध्ययनों में अत्यधिक प्रभावी है, परिमित-मात्रा तटीय महासागर मॉडल (FVCOM) [3] तटरेखा सीमा और पनडुब्बी स्थलाकृति को सटीक रूप से फिट करने में सक्षम है। हाइब्रिड निर्देशांक महासागर मॉडल (HYCOM) [4] तीन प्रकार के स्व-अनुकूली निर्देशांक लागू कर सकता है। ये संख्यात्मक मॉडल विनिमेय नहीं हैं और उनका उपयोग विशिष्ट अनुप्रयोग पर निर्भर करता है। यह ध्यान दिया जाना चाहिए कि संख्यात्मक मॉडल में वर्णित महासागर गतिशीलता की विभिन्न प्रक्रियाएँ सरलीकृत समीकरणों पर आधारित हैं

महासागर के बारे में हमारी सीमित समझ के कारण पैरामीटर। वास्तविक महासागर में हलचल और परिवर्तन इतने विविध और जटिल हैं कि किसी निश्चित घटना के स्रोतों की पहचान करना एक वास्तविक चुनौती बन जाता है। इसलिए, महासागर की गतिशीलता के अध्ययन में संख्यात्मक मॉडल के प्रदर्शन को बेहतर बनाने के लिए ऐतिहासिक डेटा से नए संबंधों या ज्ञान की खोज करना महत्वपूर्ण है। इस पत्र में, हम उस क्षमता का उल्लेख करते हैं जो संख्यात्मक मॉडल को भौतिक ज्ञान के रूप में बेहतर बना सकती है। हम मानते हैं कि ऐतिहासिक डेटा में अभी तक अनदेखा भौतिक ज्ञान हो सकता है।

डीप लर्निंग में अत्यधिक जटिल कार्यों को सीखने की उल्लेखनीय क्षमता है, जो मूल डेटा को अमूर्तता के बहुत उच्च स्तर में बदल देती है। [५] में, लेकुन एट अल ने डीप लर्निंग के मूलभूत सिद्धांतों और प्रमुख लाभों का वर्णन किया है। हाल ही में, डीप लर्निंग को विभिन्न प्रकार के कार्यों में लागू किया गया है, जैसे कि समुद्री जैव विविधता की निगरानी [६], [७], सोनार छवियों में लक्ष्य की पहचान [८], [९] और समुद्री बर्फ की सांद्रता का पूर्वानुमान [१०]। उदाहरण के लिए, बर्मेंट एट अल [६] ने स्पर्म व्हेल ध्वनिक डेटा से उत्पन्न स्पेक्ट्रोग्राम को वर्गीकृत करने के लिए कन्वोल्यूशनल न्यूरल नेटवर्क (सीएनएन) का इस्तेमाल किया। अल्केन एट अल [७] ने डेटा वृद्धि के प्रशिक्षण के लिए सिंथेटिक डेटा का लाभ उठाते हुए मछली प्रजातियों के वर्गीकरण के लिए एक सीएनएन मॉडल विकसित किया। [10] ने पूरी तरह से कन्वोल्यूशनल नेटवर्क के साथ एक एनकोडर-डिकोडर फ्रेमवर्क प्रस्तावित किया है जो उच्च सटीकता के साथ एक सप्ताह पहले समुद्री बर्फ की सांद्रता का अनुमान लगा सकता है। महासागर अनुसंधान के लिए गहन शिक्षण-आधारित विधियों के अनुप्रयोग के माध्यम से, वर्गीकरण और भविष्यवाणी प्रदर्शन के संदर्भ में महत्वपूर्ण सुधार प्राप्त किए गए हैं।

संख्यात्मक मॉडल में अधूरे भौतिक ज्ञान और तंत्रिका नेटवर्क के कमजोर सामान्यीकरण प्रदर्शन के कारण, संख्यात्मक मॉडल और तंत्रिका नेटवर्क के लाभों को मिलाकर भविष्यवाणी के प्रदर्शन को बेहतर बनाने के कुछ प्रयास किए जा रहे हैं। भौगोलिक विज्ञान में, यह तीन अलग-अलग तरीकों से हासिल किया जा सकता है [११]: १) तंत्रिका नेटवर्क के माध्यम से संख्यात्मक मॉडल के मापदंडों को सीखना। तंत्रिका नेटवर्क विस्तृत उच्च-रिज़ॉल्यूशन मॉडल से देखे गए दृश्य का बेहतर वर्णन कर सकते हैं, लेकिन कई मापदंडों को निकालना मुश्किल है, जिससे उनका अनुमान लगाना चुनौतीपूर्ण हो जाता है। ब्रेनोविट्ज एट अल। [१२] ने एकीकृत भौतिकी पैरामीटराइजेशन के आधार पर एक गहरे तंत्रिका नेटवर्क को प्रशिक्षित किया और विकिरण और क्यूम्यलस संवहन के प्रभाव को समझाया। २) संख्यात्मक मॉडल को तंत्रिका नेटवर्क से बदलना। इस तरह, गहरे तंत्रिका नेटवर्क आर्किटेक्चर निर्दिष्ट भौतिक स्थिरता को पकड़ सकता है न्यूरल नेटवर्क का उपयोग मॉडल की अशुद्धियों के पैटर्न को पहचानने, कल्पना करने और समझने तथा मॉडल के विचलन को गतिशील रूप से सही करने के लिए किया जा सकता है। पाटिल एट अल। [14] ने समुद्री सतह के तापमान (एसएसटी) की भविष्यवाणी करने के लिए न्यूरल नेटवर्क को प्रशिक्षित करने के लिए संख्यात्मक मॉडल और अवलोकन डेटा के परिणामों के बीच विसंगति को लागू किया। हैम एट अल। [15] ने ट्रांसफर लर्निंग के आधार पर एक कन्वोल्यूशनल न्यूरल नेटवर्क को प्रशिक्षित किया। उन्होंने पहले अपने मॉडल को संख्यात्मक मॉडल डेटा पर प्रशिक्षित किया, और फिर मॉडल को कैलिब्रेट करने के लिए रीएनालिसिस डेटा का उपयोग किया। हालाँकि, तीसरा तरीका दीर्घकालिक पूर्वाग्रह की समस्या से ग्रस्त पाया गया है, जहाँ भविष्यवाणी के दिनों में वृद्धि के साथ भविष्यवाणी का प्रदर्शन बिगड़ता है।

उपर्युक्त मुद्दों को संबोधित करने के लिए, इस अध्ययन में, हम ऐतिहासिक देखे गए डेटा से भौतिक ज्ञान को संख्यात्मक मॉडल डेटा में स्थानांतरित करने के लिए जनरेटिव एडवर्सरीयल नेटवर्क (जीएएन) का उपयोग करते हैं, जैसा कि चित्र 1 में दिखाया गया है। पारंपरिक संख्यात्मक मॉडल से अलग, प्रस्तावित विधि भविष्यवाणी प्रदर्शन को बेहतर बनाने के लिए संख्यात्मक मॉडल डेटा में भौतिक भाग को सही कर सकती है। विशेष रूप से, जैसा कि चित्र 2 में दिखाया गया है, हमने पहले एक एनकोडर और जीएएन से बने पिछले नेटवर्क मॉडल का उपयोग करके देखे गए डेटा से भौतिक विशेषता प्राप्त की। इसके बाद, हमने संख्यात्मक मॉडल डेटा को प्रीट्रेन्ड मॉडल में खिलाकर भौतिकी-संवर्धित एसएसटी प्राप्त किया। इसके बाद, एसएसटी की भविष्यवाणी करने के लिए स्थानिक-लौकिक मॉडल को प्रशिक्षित करने के लिए भौतिकी-संवर्धित एसएसटी को अपनाया गया।

इस पेपर के मुख्य योगदान तीन हैं:

• जहां तक हमारी जानकारी है, हम एसएसटी भविष्यवाणी के लिए जीएएन का उपयोग करके ऐतिहासिक प्रेक्षित डेटा से संख्यात्मक मॉडल डेटा में भौतिक ज्ञान स्थानांतरित करने वाले पहले व्यक्ति हैं।

• भौतिक ज्ञान पर आधारित संवर्धित डेटा और पूर्वानुमानित परिणामों के बीच अंतर का उपयोग प्रशिक्षण के दौरान मॉडल के भार को समायोजित करने के लिए किया गया।

• प्रयोगात्मक परिणाम संकेत देते हैं कि हमारी प्रस्तावित विधि संख्यात्मक मॉडल में भौतिक ज्ञान की कमी को पूरा कर सकती है और भविष्यवाणी की सटीकता में सुधार कर सकती है।

पेपर का बाकी हिस्सा इस प्रकार व्यवस्थित है। सेक्शन II में हमारी विधि से संबंधित साहित्य समीक्षा प्रस्तुत की गई है, जबकि सेक्शन III में हमारी विधि डिज़ाइन का विस्तृत विवरण दिया गया है। फिर सेक्शन IV में प्रयोगात्मक परिणाम दिखाए गए हैं। सेक्शन V अंत में इस पेपर का समापन करता है।