সমুদ্র পৃষ্ঠের তাপমাত্রা পূর্বাভাসের জন্য গভীর নিউরাল নেটওয়ার্ক: বিমূর্ত এবং ভূমিকা

লিঙ্কের টেবিল

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

বিমূর্ত

প্রথাগতভাবে, সাংখ্যিক মডেলগুলিকে সমুদ্রবিদ্যা অধ্যয়নে স্থাপন করা হয়েছে যাতে শারীরিক সমীকরণের প্রতিনিধিত্ব করে সমুদ্রের গতিবিদ্যা অনুকরণ করা হয়। যাইহোক, সমুদ্রের গতিশীলতার সাথে সম্পর্কিত অনেকগুলি কারণগুলি অ-সংজ্ঞায়িত বলে মনে হয়। আমরা যুক্তি দিয়েছি যে পর্যবেক্ষণ করা ডেটা থেকে শারীরিক জ্ঞান স্থানান্তর করা সমুদ্র পৃষ্ঠের তাপমাত্রা (এসএসটি) ভবিষ্যদ্বাণী করার সময় সংখ্যাসূচক মডেলগুলির নির্ভুলতাকে আরও উন্নত করতে পারে। সম্প্রতি, পৃথিবী পর্যবেক্ষণ প্রযুক্তির অগ্রগতি তথ্যের একটি বিশাল বৃদ্ধি পেয়েছে। ফলস্বরূপ, ঐতিহাসিক পর্যবেক্ষণমূলক ডেটার ক্রমবর্ধমান পরিমাণ ব্যবহার করে সংখ্যাসূচক মডেলগুলির উন্নতি এবং পরিপূরক করার উপায়গুলি অন্বেষণ করা অপরিহার্য। এই লক্ষ্যে, আমরা এসএসটি পূর্বাভাসের জন্য একটি পদ্ধতি প্রবর্তন করি যা ঐতিহাসিক পর্যবেক্ষণ থেকে সংখ্যাসূচক মডেলগুলিতে শারীরিক জ্ঞান স্থানান্তর করে। বিশেষত, আমরা পর্যবেক্ষণ করা ডেটা থেকে শারীরিক জ্ঞান ক্যাপচার করতে একটি এনকোডার এবং একটি জেনারেটিভ অ্যাডভারসারিয়াল নেটওয়ার্ক (GAN) এর সংমিশ্রণ ব্যবহার করি। পদার্থবিদ্যা-উন্নত ডেটা তৈরি করার জন্য সংখ্যাসূচক মডেল ডেটাকে প্রাক-প্রশিক্ষিত মডেলে খাওয়ানো হয়, যা পরে SST পূর্বাভাসের জন্য ব্যবহার করা যেতে পারে। পরীক্ষামূলক ফলাফলগুলি দেখায় যে প্রস্তাবিত পদ্ধতিটি বেশ কয়েকটি অত্যাধুনিক বেসলাইনের সাথে তুলনা করলে SST পূর্বাভাস কার্যকারিতাকে উল্লেখযোগ্যভাবে বৃদ্ধি করে।

সূচক শর্তাবলী - সমুদ্র পৃষ্ঠের তাপমাত্রা, শারীরিক জ্ঞান, জেনারেটিভ অ্যাডভারসারিয়াল নেটওয়ার্ক, সংখ্যাসূচক মডেল

সূচনা

N UMERICAL মডেলগুলি সমুদ্রের গতিবিদ্যার পূর্বাভাসের জন্য একটি ঐতিহ্যগত গাণিতিক গণনা পদ্ধতি। ওয়ার্ল্ড ক্লাইমেট রিসার্চ প্রোগ্রাম (WCRP) এর পরিসংখ্যান অনুসারে, গবেষণা সম্প্রদায় 40 টিরও বেশি সমুদ্রের সংখ্যাসূচক মডেল তৈরি করেছে, যার প্রত্যেকটির নিজস্ব সুবিধা এবং বৈশিষ্ট্য রয়েছে। উদাহরণস্বরূপ, আঞ্চলিক মহাসাগর মডেল সিস্টেম (ROMS) [1] এর একটি শক্তিশালী পরিবেশগত সংলগ্ন মডিউল রয়েছে, দ্রুত মহাসাগরীয় বায়ুমণ্ডল মডেল (FOAM) [2] বিশ্বব্যাপী মিলিত মহাসাগর-বায়ুমণ্ডল গবেষণায় অত্যন্ত কার্যকর, সসীম আয়তনের উপকূলীয় মহাসাগর মডেল। (FVCOM) [3] উপকূলরেখার সীমানা এবং সাবমেরিন টপোগ্রাফি সঠিকভাবে ফিট করতে সক্ষম। হাইব্রিড কোঅর্ডিনেট ওশান মডেল (HYCOM) [৪] তিন ধরনের স্ব-অভিযোজিত স্থানাঙ্ক প্রয়োগ করতে পারে। এই সংখ্যাসূচক মডেলগুলি বিনিময়যোগ্য নয় এবং তাদের ব্যবহার নির্দিষ্ট প্রয়োগের উপর নির্ভর করে। এটা উল্লেখ করা উচিত যে সাংখ্যিক মডেলে বর্ণিত মহাসাগরীয় গতিবিদ্যার বিভিন্ন প্রক্রিয়া সরলীকৃত সমীকরণের উপর ভিত্তি করে এবং

সমুদ্র সম্পর্কে আমাদের সীমিত বোঝার কারণে পরামিতি। বাস্তব মহাসাগরের গতিবিধি এবং পরিবর্তনগুলি এতই বৈচিত্র্যময় এবং জটিল যে একটি নির্দিষ্ট ঘটনার উত্স সনাক্ত করা একটি বাস্তব চ্যালেঞ্জ হয়ে দাঁড়ায়। অতএব, সমুদ্রের গতিবিদ্যার অধ্যয়নে সংখ্যাসূচক মডেলগুলির কার্যকারিতা উন্নত করার জন্য ঐতিহাসিক তথ্য থেকে নতুন সম্পর্ক বা জ্ঞানের সন্ধান করা অত্যন্ত গুরুত্বপূর্ণ। এই কাগজে, আমরা শারীরিক জ্ঞান হিসাবে সংখ্যাসূচক মডেল উন্নত করতে পারে যে ক্ষমতা উল্লেখ করুন. আমরা অনুমান করি যে ঐতিহাসিক তথ্যগুলি এখন পর্যন্ত অনাবিষ্কৃত শারীরিক জ্ঞানের অধিকারী হতে পারে।

গভীর শিক্ষার মধ্যে অত্যন্ত জটিল ফাংশন শেখার অসাধারণ ক্ষমতা রয়েছে, যা মূল ডেটাকে অনেক উচ্চ স্তরের বিমূর্ততায় রূপান্তরিত করে। [5] সালে, লেকুন এট আল। মৌলিক নীতি এবং গভীর শিক্ষার মূল সুবিধাগুলি বর্ণনা করেছেন। সম্প্রতি, গভীর শিক্ষা বিভিন্ন কাজে প্রয়োগ করা হয়েছে, যেমন সামুদ্রিক জীববৈচিত্র্য পর্যবেক্ষণ [6], [7], সোনার চিত্রগুলিতে লক্ষ্য শনাক্তকরণ [8], [9] এবং সমুদ্রের বরফ ঘনত্বের পূর্বাভাস [10]। উদাহরণস্বরূপ, Bermant et al. [৬] স্পার্ম হোয়েল অ্যাকোস্টিক ডেটা থেকে উৎপন্ন স্পেকট্রোগ্রামকে শ্রেণীবদ্ধ করতে কনভোল্যুশনাল নিউরাল নেটওয়ার্ক (সিএনএন) নিযুক্ত করে। অ্যালকেন এট আল। [৭] মাছের প্রজাতির শ্রেণীবিভাগের জন্য একটি সিএনএন মডেল তৈরি করেছে, প্রশিক্ষণ ডেটা বৃদ্ধির জন্য সিন্থেটিক ডেটা ব্যবহার করে। লিমা এট আল। [৮] স্বয়ংক্রিয় সমুদ্রের সামনের স্বীকৃতির জন্য একটি গভীর স্থানান্তর শেখার পদ্ধতি প্রস্তাব করেছে, ঐতিহাসিক তথ্যের উপর প্রশিক্ষিত গভীর CNN মডেলগুলি থেকে জ্ঞান আহরণ করে। জু এট আল। [৯] সোনার জাহাজের ধ্বংসাবশেষ সনাক্তকরণের জন্য গভীর প্রজন্মের নেটওয়ার্ক এবং স্থানান্তর শিক্ষার সমন্বয়ে একটি পদ্ধতি উপস্থাপন করেছে। রেন এট আল। [১০] একটি এনকোডার-ডিকোডার ফ্রেমওয়ার্ক সম্পূর্ণরূপে কনভোল্যুশনাল নেটওয়ার্কের সাথে প্রস্তাব করেছে যা উচ্চ নির্ভুলতার সাথে এক সপ্তাহ আগে সমুদ্রের বরফের ঘনত্বের পূর্বাভাস দিতে পারে। সমুদ্র গবেষণায় গভীর শিক্ষা-ভিত্তিক পদ্ধতির প্রয়োগের মাধ্যমে, শ্রেণীবিভাগ এবং ভবিষ্যদ্বাণী কার্যক্ষমতার ক্ষেত্রে উল্লেখযোগ্য উন্নতি সাধিত হয়েছে।

সংখ্যাসূচক মডেলগুলিতে অসম্পূর্ণ শারীরিক জ্ঞান এবং নিউরাল নেটওয়ার্কগুলির দুর্বল সাধারণীকরণ কর্মক্ষমতার কারণে, সংখ্যাসূচক মডেল এবং নিউরাল নেটওয়ার্কগুলির সুবিধাগুলিকে একত্রিত করে ভবিষ্যদ্বাণী কর্মক্ষমতা উন্নত করার জন্য কিছু প্রচেষ্টা রয়েছে। ভৌগোলিক বিজ্ঞানে, এটি তিনটি ভিন্ন উপায়ে অর্জন করা যেতে পারে [১১]: 1) নিউরাল নেটওয়ার্কের মাধ্যমে সংখ্যাসূচক মডেলের পরামিতিগুলি শেখা। নিউরাল নেটওয়ার্কগুলি বিশদ উচ্চ-রেজোলিউশন মডেল থেকে পর্যবেক্ষণ করা দৃশ্যটিকে সর্বোত্তমভাবে বর্ণনা করতে পারে, তবে অনেক পরামিতি অনুমান করা কঠিন, তাদের অনুমানকে চ্যালেঞ্জিং করে তোলে। ব্রেনোভিটজ এট আল। [১২] ইউনিফাইড ফিজিক্স প্যারামিটারাইজেশনের উপর ভিত্তি করে একটি গভীর নিউরাল নেটওয়ার্ককে প্রশিক্ষিত করেছেন এবং বিকিরণ এবং কিউমুলাস পরিচলনের প্রভাব ব্যাখ্যা করেছেন। 2) একটি নিউরাল নেটওয়ার্কের সাথে সংখ্যাসূচক মডেল প্রতিস্থাপন। এইভাবে, গভীর নিউরাল নেটওয়ার্ক আর্কিটেকচার নির্দিষ্ট শারীরিক সামঞ্জস্য ক্যাপচার করতে পারে। Pannekoucke এবং অন্যান্য. [১৩] একটি প্লাগ-এন্ড-প্লে টুল ব্যবহার করে নিউরাল নেটওয়ার্ক আর্কিটেকচারে শারীরিক সমীকরণ অনুবাদ করেছে। 3) সংখ্যাসূচক মডেল এবং পর্যবেক্ষণ ডেটার মধ্যে আউটপুট অমিল বিশ্লেষণ করা। নিউরাল নেটওয়ার্কগুলি মডেলের ভুলের ধরণগুলি সনাক্ত করতে, কল্পনা করতে এবং বুঝতে এবং মডেলের বিচ্যুতিকে গতিশীলভাবে সংশোধন করতে ব্যবহার করা যেতে পারে। পাতিল এট আল। [১৪] সমুদ্র পৃষ্ঠের তাপমাত্রা (এসএসটি) ভবিষ্যদ্বাণী করার জন্য একটি নিউরাল নেটওয়ার্ককে প্রশিক্ষণ দেওয়ার জন্য সংখ্যাসূচক মডেল এবং পর্যবেক্ষণমূলক ডেটার ফলাফলের মধ্যে পার্থক্য প্রয়োগ করে। হ্যাম এট আল। [১৫] ট্রান্সফার লার্নিং এর উপর ভিত্তি করে একটি কনভোলিউশনাল নিউরাল নেটওয়ার্ক প্রশিক্ষিত। তারা প্রথমে তাদের মডেলকে সাংখ্যিক মডেলের ডেটার উপর প্রশিক্ষণ দেয় এবং তারপরে মডেলটিকে ক্রমাঙ্কন করতে পুনরায় বিশ্লেষণ ডেটা ব্যবহার করে। যাইহোক, তৃতীয় পদ্ধতিটি দীর্ঘমেয়াদী পক্ষপাতিত্বের সমস্যায় ভুগছে, যেখানে ভবিষ্যদ্বাণীর দিন বাড়লে ভবিষ্যদ্বাণী কার্যক্ষমতার অবনতি ঘটে।

উপরের সমস্যাগুলির সমাধানের জন্য, এই গবেষণায়, আমরা জেনারেটিভ অ্যাডভারসারিয়াল নেটওয়ার্ক (GANs) ব্যবহার করি ঐতিহাসিক পর্যবেক্ষিত ডেটা থেকে সংখ্যাসূচক মডেল ডেটাতে শারীরিক জ্ঞান স্থানান্তর করতে, যেমন চিত্র 1-এ দেখানো হয়েছে। প্রথাগত সংখ্যাসূচক মডেল থেকে ভিন্ন, প্রস্তাবিত পদ্ধতি ভবিষ্যদ্বাণী কর্মক্ষমতা উন্নত করতে সংখ্যাসূচক মডেল ডেটাতে শারীরিক অংশ সংশোধন করতে পারে। সুনির্দিষ্ট হওয়ার জন্য, চিত্র 2-এ চিত্রিত হিসাবে, আমরা প্রথমে একটি এনকোডার এবং GAN এর সমন্বয়ে গঠিত একটি পূর্ববর্তী নেটওয়ার্ক মডেল ব্যবহার করে পর্যবেক্ষণ করা ডেটা থেকে শারীরিক বৈশিষ্ট্য অর্জন করেছি। তারপরে, আমরা প্রাক-প্রশিক্ষিত মডেলে সংখ্যাসূচক মডেল ডেটা খাওয়ানোর মাধ্যমে পদার্থবিজ্ঞান-বর্ধিত SST প্রাপ্ত করেছি। এর পরে, SST-এর পূর্বাভাস দেওয়ার জন্য একটি স্থানিক-অস্থায়ী মডেল প্রশিক্ষণের জন্য পদার্থবিদ্যা-বর্ধিত SST গৃহীত হয়েছিল। ইতিমধ্যে, আমরা নতুন উত্পন্ন ডেটার সম্পূর্ণ সুবিধা নেওয়ার জন্য অ্যাবলেশন পরীক্ষাগুলি সম্পাদন করেছি।

এই কাগজের প্রধান অবদান তিনগুণ:

• আমাদের সর্বোত্তম জ্ঞানের জন্য, আমরাই সর্বপ্রথম SST পূর্বাভাসের জন্য GAN ব্যবহার করে ঐতিহাসিক পর্যবেক্ষিত ডেটা থেকে সংখ্যাসূচক মডেল ডেটাতে শারীরিক জ্ঞান স্থানান্তর করি।

• শারীরিক জ্ঞানের উপর ভিত্তি করে উন্নত ডেটা এবং পূর্বাভাসিত ফলাফলের মধ্যে পার্থক্য প্রশিক্ষণের সময় মডেলের ওজন সামঞ্জস্য করার জন্য কাজে লাগানো হয়েছিল।

• পরীক্ষামূলক ফলাফলগুলি নির্দেশ করে যে আমাদের প্রস্তাবিত পদ্ধতিটি সংখ্যাসূচক মডেলে শারীরিক জ্ঞানের ঘাটতি পূরণ করতে পারে এবং ভবিষ্যদ্বাণীর সঠিকতা উন্নত করতে পারে।

নিম্নরূপ কাগজ বাকি সংগঠিত হয়। বিভাগ II আমাদের পদ্ধতির সাথে সম্পর্কিত সাহিত্য পর্যালোচনা উপস্থাপন করে, যখন আমাদের পদ্ধতির নকশাটি বিভাগ III-এ বিশদ রয়েছে। তারপর পরীক্ষামূলক ফলাফল বিভাগ IV এ দেখানো হয়। বিভাগ V অবশেষে এই কাগজটি শেষ করে।