সমুদ্র পৃষ্ঠের তাপমাত্রা পূর্বাভাসের জন্য গভীর নিউরাল নেটওয়ার্ক: পটভূমি

লিঙ্কের টেবিল

• বিমূর্ত এবং ভূমিকা
• পটভূমি
• প্রস্তাবিত পদ্ধতি
• পরীক্ষামূলক ফলাফল এবং বিশ্লেষণ
• উপসংহার এবং ভবিষ্যতে কাজ
• তথ্যসূত্র

২. ব্যাকগ্রাউন্ড

উ: জেনারেটিভ অ্যাডভারসারিয়াল নেটওয়ার্ক

2014 সালে, গুডফেলো এট আল। [16] একটি প্রতিকূল পদ্ধতিতে প্রশিক্ষিত জেনারেটিভ মডেলের একটি অভিনব কাঠামো উপস্থাপন করুন। তাদের পদ্ধতিতে, একটি জেনারেটিভ মডেল জি এবং একটি বৈষম্যমূলক মডেল ডি একই সাথে প্রশিক্ষিত হয়েছিল। মডেল জি প্রয়োগ করা হয়েছিল পরোক্ষভাবে মডেল ডি এর মাধ্যমে ইনপুট ডেটা বিতরণ ক্যাপচার করতে এবং অনুরূপ ডেটা তৈরি করতে। মডেল ডি সম্ভাব্যতা অনুমান করে যে এর ইনপুট নমুনাগুলি মডেল G এর পরিবর্তে প্রশিক্ষণের ডেটা থেকে এসেছে। G-এর প্রশিক্ষণ প্রক্রিয়াটি D-এর সম্ভাব্যতা ত্রুটি দ্বারা চালিত হয়েছিল। এই প্রতিকূল প্রক্রিয়ায়, G এবং D শেখার নির্দেশনা দেয় এবং ধীরে ধীরে একে অপরের ক্ষমতাকে শক্তিশালী করে। অসামান্য কর্মক্ষমতা অর্জন করতে।

শারীরিক-প্রাসঙ্গিক কাজে GAN প্রয়োগ করা হয়েছে। উদাহরণস্বরূপ, ইয়াং এট আল। [১৭] উচ্চ-মাত্রিক সমস্যা মোকাবেলা করার জন্য পদার্থবিজ্ঞান-অবহিত GAN প্রয়োগ করে এবং স্টোকাস্টিক ডিফারেনশিয়াল সমীকরণগুলি সমাধান করে, লুটজেনস ¨ এট আল। [১৮] সাংখ্যিক মডেল ডেটা, ঝেং এট আল-এর বৈশিষ্ট্যগুলি শিখতে GAN ব্যবহার করে আরও বাস্তবসম্মত উপকূলীয় বন্যার ডেটা তৈরি করেছে। [১৯] সম্ভাব্য ভৌত আইনের সাথে অজানা স্থানিক তথ্য অনুমান করেছে যা GANs দ্বারা শিখেছে। যাইহোক, এই কাজগুলি সম্পূর্ণ সংখ্যাসূচক মডেল প্রতিস্থাপন করার জন্য GAN ব্যবহার করে তাদের মডেল সম্পাদন করেছে, যা আমাদের কাজের থেকে বেশ আলাদা। এই কাগজে, আমরা GAN মডেল গ্রহণ করি পর্যবেক্ষিত ডেটা থেকে সংখ্যাসূচক মডেল ডেটাতে শারীরিক জ্ঞান স্থানান্তর করার জন্য, যাতে সংখ্যাসূচক মডেলে শারীরিক বৈশিষ্ট্য সংশোধন এবং উন্নত করা যায়। উপরন্তু, এনকোডার দ্বারা উত্পন্ন কোডটি GAN দ্বারা শেখা শব্দার্থিক জ্ঞানের সাথে সঙ্গতিপূর্ণ কিনা তা বিবেচনা না করেই বিদ্যমান পদ্ধতিগুলি শুধুমাত্র একটি নির্ধারক মডেল শিখে।

B. কনভোলিউশনাল লং শর্ট-টার্ম মেমরি

2015 সালে, কনভিএলএসটিএম [20]-কে প্রস্তাব করা হয়েছিল এখনকার বৃষ্টিপাতের সমাধান করার জন্য। ConvLSTM-এর নেটওয়ার্ক কাঠামো ক্লাসিক্যাল কনভোল্যুশনাল নিউরাল নেটওয়ার্ক (CNN) [২১] এর মতো স্থানীয় স্থানিক বৈশিষ্ট্যগুলিকে ক্যাপচার করতে সক্ষম হয় যখন একটি অনুক্রমিক সম্পর্ক তৈরি করে, যা লং শর্ট-টার্ম মেমরি (LSTM) ব্লক থেকে প্রাপ্ত। অধিকন্তু, লেখকরা পরীক্ষা-নিরীক্ষা চালিয়েছিলেন তা দেখানোর জন্য যে ConvLSTM স্থানিক-অস্থায়ী সম্পর্কের ক্ষেত্রে LSTM-এর চেয়ে ভাল পারফর্ম করতে সক্ষম। আবহাওয়ার পূর্বাভাসের কাজগুলি ছাড়াও, ConvLSTM বিভিন্ন স্থানিক-অস্থায়ী অনুক্রমিক ভবিষ্যদ্বাণী সমস্যাগুলিতে প্রয়োগ করা যেতে পারে, উদাহরণস্বরূপ, কর্ম স্বীকৃতি [22], [23]।

C. সমুদ্র পৃষ্ঠের তাপমাত্রার পূর্বাভাস

লিন্স এট আল। [২৪] একটি এসভিএম ব্যবহার করে গ্রীষ্মমন্ডলীয় আটলান্টিকে এসএসটি তদন্ত করেছে। পাতিল এট আল। [25] সমুদ্র পৃষ্ঠের তাপমাত্রার পূর্বাভাস দেওয়ার জন্য একটি কৃত্রিম নিউরাল নেটওয়ার্ক গ্রহণ করেছে। এটি শুধুমাত্র 1 থেকে 5 দিনের মধ্যে লিড টাইম সহ পূর্বাভাসের ক্ষেত্রে ভাল পারফর্ম করে এবং তারপরে সঠিকতা হ্রাস পায়। ঝাং এট আল। [২৬] LSTM প্রয়োগ করেছে

SST পূর্বাভাস। ইয়াং এট আল। [২৭] একটি সম্পূর্ণ সংযুক্ত LSTM মডেল তৈরি করে SST পূর্বাভাস দিয়েছে। অন্য দৃষ্টিকোণ থেকে, পাতিল এট আল। [২৮] দৈনিক এসএসটি পূর্বাভাস দিতে একটি তরঙ্গায়িত নিউরাল নেটওয়ার্ক ব্যবহার করেছে, যখন কোয়ালা এট আল। [২৯] SST পূর্বাভাসের জন্য প্রস্তাবিত প্যাচ-স্তরের নিউরাল নেটওয়ার্ক পদ্ধতি। যাইহোক, এই পদ্ধতিগুলি শুধুমাত্র ডেটার উপর নির্ভর করে এবং তাদের পিছনে থাকা শারীরিক জ্ঞানকে উপেক্ষা করে। হ্যাম এট আল। [15] ENSO ভবিষ্যদ্বাণী করতে এবং তাদের শ্রেণীবদ্ধ করার জন্য স্থানান্তর শিক্ষা গ্রহণ করেছে। এই কাজে, আমরা তুলনামূলক পরীক্ষা-নিরীক্ষা করি এবং ফলাফলগুলি নির্দেশ করে যে আমাদের পদ্ধতিটি স্বল্প-মেয়াদী ত্রুটির পাশাপাশি দীর্ঘমেয়াদী পক্ষপাতকেও হ্রাস করে।

D. ডেটা অগমেন্টেশন

সংক্ষিপ্ত এবং অন্যান্য. [৩০] গভীর শিক্ষার জন্য ইমেজ ডেটা বৃদ্ধির সাম্প্রতিক কৌশল পর্যালোচনা করা হয়েছে। ডেটা অগমেন্টেশনের উদ্দেশ্য হল নিউরাল নেটওয়ার্কগুলির উপস্থাপনা ক্ষমতা বাড়ানো এবং আসল ডেটা বিতরণ আরও ভালভাবে শেখা। সাম্প্রতিক বছরগুলিতে, দুটি ধরণের ডেটা বৃদ্ধির কৌশল সাধারণত ব্যবহৃত হয়েছে: ডেটা রূপান্তর এবং পুনরায় নমুনাকরণ। ডেটা ট্রান্সফরমেশন পদ্ধতির মধ্যে রয়েছে জ্যামিতিক রূপান্তর [31], রঙের স্থান পরিবর্তন [32]-[34], এলোমেলোভাবে মুছে ফেলা [35]-[37], প্রতিপক্ষ প্রশিক্ষণ [38]–[41] এবং শৈলী স্থানান্তর [42]–[45] ]। রিস্যাম্পলিং টেকনিক নতুন ইন্সট্যান্স কম্পোজিশনের উপর বিশেষ জোর দেয়, যেমন ইমেজ মিক্সআপ [৪৬]–[৪৮], ফিচার স্পেস এনহান্সমেন্ট [৪৯], [৫০] এবং জেনারেটিভ অ্যাডভারসারিয়াল নেটওয়ার্ক (GAN) [১৬]। জ্যামিতিক রূপান্তর চমৎকার কর্মক্ষমতা অর্জন করতে পারে, যেমন ইমেজ ফ্লিপ, ক্রপ, ঘূর্ণন, অনুবাদ এবং নয়েজ ইনজেকশন [51]। [30] পরীক্ষামূলক ফলাফলগুলি দেখিয়েছে যে এলোমেলো ফসল কাটার কৌশলটি ভাল কাজ করেছে। রঙ স্থান পরিবর্তন একটি বড় মেমরি খরচ এবং দীর্ঘ কম্পিউটিং সময় ভোগে. এলোমেলোভাবে মুছে ফেলার কৌশলগুলি মুখোশ ব্যবহার করে আবদ্ধতার ক্ষেত্রে নেটওয়ার্কের দৃঢ়তা উন্নত করতে পারে। যদিও প্রতিকূল প্রশিক্ষণও দৃঢ়তার উন্নতি করতে পারে, প্রাকৃতিক প্রতিকূল নমুনার সীমিত সংখ্যক নমুনা মূলত নেটওয়ার্ক কর্মক্ষমতাকে অনুশীলনে সীমিত করে। স্নায়ু শৈলী স্থানান্তর পদ্ধতি শুধুমাত্র নির্দিষ্ট কাজের জন্য কার্যকর, যদিও এর ব্যবহারিক প্রয়োগ সীমিত। ফিচার স্পেস অগমেন্টেশন ফিচার স্পেসে উপস্থাপনা ইন্টারপোলেট করার ক্ষমতা প্রয়োগ করে। GAN-ভিত্তিক পরিবর্ধন কৌশলগুলি বর্তমান অত্যাধুনিক নেটওয়ার্ক কর্মক্ষমতা অর্জনের জন্য প্রয়োগ করা হয়েছে [52]। যাইহোক, একটি কার্যকর ডেটা বৃদ্ধির পদ্ধতি নেই যা সংখ্যাসূচক মডেল এবং গভীর শিক্ষার যোগ্যতাকে কাজে লাগাতে পারে। এই কাগজে, আমরা শারীরিক জ্ঞানের উপর ভিত্তি করে একটি অভিনব ডেটা বর্ধিতকরণ কৌশল প্রস্তাব করার লক্ষ্য রাখি। প্রস্তাবিত কৌশলটি GAN-ভিত্তিক পরিবর্ধনের চেয়ে ভাল কর্মক্ষমতা অর্জন করে।