সমুদ্র পৃষ্ঠের তাপমাত্রা পূর্বাভাসের জন্য গভীর নিউরাল নেটওয়ার্ক: পরীক্ষামূলক ফলাফল এবং বিশ্লেষণ

লিঙ্কের টেবিল

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

IV পরীক্ষামূলক ফলাফল এবং বিশ্লেষণ

A. অধ্যয়ন এলাকা এবং পরীক্ষা সেটিংস

দক্ষিণ চীন সাগর পশ্চিম প্রশান্ত মহাসাগরে অবস্থিত, দক্ষিণ মূল ভূখণ্ড চীনে। এর আয়তন প্রায় 3.5 মিলিয়ন বর্গ কিলোমিটার যার গড় গভীরতা 1, 212 মিটার। এই কাগজে, নির্বাচিত অধ্যয়নের এলাকা হল (3.99°N∼24.78°N, 98.4°E∼124.4°E)।

আমরা GHRSST থেকে উচ্চ-রেজোলিউশন স্যাটেলাইট রিমোট সেন্সিং ডেটা ব্যবহার করি (গ্রুপ ফর হাই রেজোলিউশন সি সারফেস টেম্পারেচার) [৫৫] পর্যবেক্ষণ করা ডেটা হিসাবে। GHRSST উপগ্রহ সোয়াথ স্থানাঙ্ক, গ্রিডেড ডেটা এবং ফাঁক-মুক্ত গ্রিডেড পণ্য সহ সমুদ্র পৃষ্ঠের তাপমাত্রার বিভিন্ন ডেটা সরবরাহ করে। এখানে, আমরা গ্যাপ-ফ্রি গ্রিডেড পণ্যগুলি নিযুক্ত করেছি, যা পরিপূরক স্যাটেলাইটের সমন্বয়ে এবং একটি সর্বোত্তম ইন্টারপোলেশন কাঠামোর মধ্যে পরিস্থিতি পর্যবেক্ষণের মাধ্যমে তৈরি করা হয়। HYCOM [56] সংখ্যাসূচক মডেল হিসাবে নির্বাচিত হয়. তাদের স্থানিক রেজোলিউশন যথাক্রমে 1/20°×1/20° এবং 1/12°×1/12°। সাময়িক সমাধান একদিন। মে 2007 থেকে ডিসেম্বর 2013 পর্যন্ত ডেটা প্রশিক্ষণের জন্য ব্যবহার করা হয়, যেখানে জানুয়ারী 2014 থেকে ডিসেম্বর 2014 পর্যন্ত অবশিষ্ট ডেটা পরীক্ষার জন্য ব্যবহার করা হয়৷ এটা উল্লেখ করা উচিত যে আমরা GHRSST দ্বারা প্রদত্ত ক্লাউডহীন ডেটা ব্যবহার করি। ডেটা মাইক্রোওয়েভ যন্ত্র দ্বারা ক্যাপচার করা হয়েছিল যা মেঘের মধ্য দিয়ে প্রবেশ করতে পারে। সুতরাং, ডেটাতে অধ্যয়ন এলাকার সম্পূর্ণ কভারেজ রয়েছে। উপরন্তু, GHRSST SST পণ্যের প্রতিটি পিক্সেলের সঠিক সময় একই।

জেড-স্কোর স্ট্যান্ডার্ডাইজেশনটি প্রি-প্রসেসিংয়ের জন্য ব্যবহার করা হয়েছিল:

যেখানে x দ্বারা GHRSST এবং HYCOM মডেল SST বোঝায়, z দ্বারা স্বাভাবিক করা ডেটা বোঝায়, µ এবং σ যথাক্রমে গড় মান এবং প্রমিত বিচ্যুতি নির্দেশ করে। আমরা ডেটাকে 256 × 256 বর্গ-আকৃতির তাপ মানচিত্রে রূপান্তর করেছি।

আরও নির্দিষ্টভাবে, GHRSST ডেটা এবং 512-মাত্রিক র্যান্ডম ভেক্টর পূর্বের নেটওয়ার্ক প্রশিক্ষণের প্রথম ধাপে ব্যবহার করা হয়। ইনপুট GHRSST ডেটার আকার হল N × H × W, যেখানে N ব্যাচের আকারকে প্রতিনিধিত্ব করে, H ইনপুট ডেটার উচ্চতা নির্দেশ করে এবং W ইনপুট ডেটার প্রস্থ নির্দেশ করে৷ পূর্ববর্তী নেটওয়ার্কের দ্বিতীয় পর্যায়ের জন্য, আমরা এনকোডার প্রশিক্ষণের জন্য শুধুমাত্র GHRSST ডেটা ব্যবহার করি। উভয় পর্যায়ের ইনপুট এবং আউটপুটের মাপ হল N × H × W। একইভাবে, পূর্ববর্তী নেটওয়ার্ক প্রশিক্ষণের তৃতীয় ধাপে, HYCOM SST ডেটা পূর্বপ্রশিক্ষিত মডেলে দেওয়া হয়। এখানে, ইনপুট এবং আউটপুট উভয়ের মাপ হল N × H × W৷ আমাদের বাস্তবায়নে, আমরা N 2430 তে সেট করেছি, যেখানে H এবং W উভয়ই 256 তে সেট করা হয়েছে৷

আমরা 8টি জিপিইউ সহ একটি NVIDIA GeForce 2080Ti-এ ব্যাপক পরীক্ষা-নিরীক্ষা চালিয়েছি। পূর্ববর্তী নেটওয়ার্ক একই নেটওয়ার্ক গঠন এবং কনফিগারেশন ব্যবহার করে যা [53] এ উল্লিখিত ঐতিহাসিক পর্যবেক্ষণ ডেটা থেকে শারীরিক জ্ঞান অর্জন করতে। তারপরে প্রাপ্ত শারীরিক জ্ঞান সংখ্যাসূচক মডেলের ভুল উপাদানগুলি পুনরুদ্ধার এবং উন্নত করার জন্য সংখ্যাসূচক মডেল ডেটাতে স্থানান্তরিত হয়। এই কাগজে ব্যবহৃত কনভিএলএসটিএম মডেলের কনফিগারেশনটি শি-এর কাজের কনভিএলএসটিএম মডেলের মতোই [২০]। এই কাগজে তুলনা এবং মূল্যায়নের জন্য GHRSST SST ডেটাসেট বেঞ্চমার্ক হিসাবে ব্যবহার করা হয়েছে।

B. SST পূর্বাভাসের জন্য অতীত দিনের সংখ্যার প্রভাব

ধারা III এ উল্লেখ করা হয়েছে। C, t পূর্বাভাসের জন্য ব্যবহৃত বিগত দিনের সংখ্যা নির্দেশ করে। এটি একটি গুরুত্বপূর্ণ পরামিতি যা SST পূর্বাভাস কর্মক্ষমতা প্রভাবিত করতে পারে। এই কাগজে, আমরা পরবর্তী একদিন, তিন-দিন এবং সপ্তম দিনের এসএসটি ভবিষ্যদ্বাণী করার চেষ্টা করি। আমরা খুঁজে বের করার জন্য ব্যাপক পরীক্ষা-নিরীক্ষা করেছি

ভবিষ্যতের SST পূর্বাভাসের জন্য বিগত দিনের সঠিক সংখ্যা। রুট মিন স্কয়ার ত্রুটি (RMSE) এবং নির্ণয়ের সহগ (R2) মূল্যায়নের মানদণ্ড হিসাবে প্রয়োগ করা হয়। নিম্ন RMSE এবং উচ্চ R2 মান আরো সঠিক ফলাফল নির্দেশ করে।

সারণি I বিগত একদিন, তিন দিন এবং পাঁচ দিনের ডেটা আলাদাভাবে ব্যবহার করে পরের দিনের ভবিষ্যদ্বাণী ফলাফল তালিকাভুক্ত করে। এটি লক্ষ্য করা যায় যে প্রস্তাবিত মডেলটি গত পাঁচ দিনের ডেটা ব্যবহার করার সময় সর্বোত্তম কার্য সম্পাদন করে, যেখানে RMSE এবং R2 ফলাফল যথাক্রমে 0.3618 এবং 0.9967। এগুলি অন্যান্য স্কিমগুলির তুলনায় কিছুটা ভাল। অন্য দুটি স্কিমের তুলনায়, RMSE এবং R2 মানগুলি 0.0086, 0.001 এবং 0.0028, 0.0006 দ্বারা উন্নত হয়েছে৷ তাই, গত পাঁচ দিনের ডেটা পরবর্তী একদিনের SST পূর্বাভাসের জন্য গৃহীত হয়।

আমরা সারণি II-তে পরবর্তী তিন দিনের SST পূর্বাভাসের জন্য t-এর প্রভাবগুলি বিশ্লেষণ করি। এটি দেখা যায় যে দীর্ঘ ঐতিহাসিক ডেটা ব্যবহার করা হয়েছিল, ভাল ভবিষ্যদ্বাণী কর্মক্ষমতা অর্জন করা হয়েছিল। গত সাত দিনের ডেটা ব্যবহার করে RMSE মান সেরা পারফরম্যান্স অর্জন করে। গত পাঁচ দিনের ডেটা ব্যবহার করে এর তুলনায় এটি 0.0025 দ্বারা উন্নত হয়েছে। এদিকে, R2 অন্য দুটি স্কিমের তুলনায় গত সাত দিনের ডেটা ব্যবহার করে সেরা পারফর্ম করে। অতএব, গত সাত দিনের ডেটা পরবর্তী তিন দিনের SST পূর্বাভাসের জন্য ব্যবহার করা হয়েছিল।

পরবর্তী সাত দিনের SST ভবিষ্যদ্বাণীর পরীক্ষামূলক ফলাফল সারণি III এ চিত্রিত করা হয়েছে। দেখা যায় যে বিগত দশ দিনের ডেটা ব্যবহার করে ভবিষ্যদ্বাণী ফলাফলগুলি সর্বোত্তম কর্মক্ষমতা অর্জন করে। অতএব, আমরা পরবর্তী সাত দিনের SST পূর্বাভাসের জন্য গত দশ দিনের ডেটা ব্যবহার করি।

C. অ্যাবলেশন স্টাডি

পূর্ববর্তী নেটওয়ার্ক এবং GAN প্রশিক্ষণের কার্যকারিতা যাচাই করার জন্য, আমরা নির্মূল পরীক্ষা পরিচালনা করি। চিত্র 3-এ যেমন দেখানো হয়েছে, দুটি রূপ নিম্নরূপ তুলনা করার জন্য ডিজাইন করা হয়েছে:

• স্কিম A. পূর্ববর্তী নেটওয়ার্ক এবং ConvLSTM এর ক্রম প্রতিস্থাপিত হয়েছে। সংখ্যাসূচক মডেল SST ডেটা প্রথমে ConvLSTM-এ দেওয়া হয়, এবং তারপর আউটপুট ভাল-প্রশিক্ষিত পূর্ববর্তী নেটওয়ার্কে দেওয়া হয়।

• স্কিম B. পূর্ববর্তী নেটওয়ার্ক ভালভাবে প্রশিক্ষিত ছিল না। বিশেষভাবে, পূর্ববর্তী নেটওয়ার্ক প্রশিক্ষণে GAN মডেল প্রশিক্ষণ (চিত্র 2-এর প্রথম ধাপ) বাদ দেওয়া হয়েছে।

পরীক্ষামূলক ফলাফল সারণি IV এ দেখানো হয়েছে। যেমন দেখা যায় যে আমাদের পদ্ধতিটি সেরা RMSE এবং R2 মানগুলি অর্জন করে। বিশেষভাবে, প্রস্তাবিত পদ্ধতিটি স্কিম A-কে ছাড়িয়ে যায়, যা দেখায় যে পূর্বের নেটওয়ার্ক এবং ConvLSTM-এর সঠিক ক্রম SST পূর্বাভাস কর্মক্ষমতা বাড়িয়ে তুলতে পারে। এটা স্পষ্ট যে পূর্বের নেটওয়ার্ক কার্যকরভাবে সংখ্যাসূচক মডেল ডেটার ভুল উপাদানগুলিকে পুনরুদ্ধার করে এবং পুনরুদ্ধার করা ডেটা SST পূর্বাভাসে আরও ভাল কাজ করে৷ তদ্ব্যতীত, প্রস্তাবিত পদ্ধতির স্কিম বি এর তুলনায় উচ্চতর কর্মক্ষমতা রয়েছে, যা দেখায় যে GAN মডেলিং একটি অপরিহার্য পদক্ষেপ। GAN মডেলিং পর্যবেক্ষিত SST-এর ডেটা বিতরণ শিখতে পারে এবং পূর্ববর্তী নেটওয়ার্ককে পর্যবেক্ষণ করা SST থেকে আরও ভাল শারীরিক তথ্য ক্যাপচার করতে সাহায্য করে। সংক্ষেপে, প্রস্তাবিত পদ্ধতিতে, আমরা পূর্বের নেটওয়ার্ক পূর্বপ্রশিক্ষণের জন্য প্রতিকূল শিক্ষা ব্যবহার করি, যা কার্যকরভাবে পর্যবেক্ষণ করা SST ডেটা থেকে পূর্বের নেটওয়ার্কে শারীরিক জ্ঞান স্থানান্তর করতে পারে। এটি দ্রুত ট্রেনিং কনভারজেন্সকে গাইড করতে পারে এবং SST পূর্বাভাস কর্মক্ষমতা উন্নত করতে পারে।

D. পরীক্ষামূলক ফলাফল এবং আলোচনা

চিত্র 4 পর্যবেক্ষিত গ্রাউন্ড ট্রুথ ডেটার সাথে পূর্বাভাসিত পরবর্তী একদিনের এসএসটি তুলনা করে। আমরা দেখতে পাচ্ছি যে আমাদের পদ্ধতির পূর্বাভাসিত ফলাফলগুলি পর্যবেক্ষণ করা ডেটার সাথে ভাল মেলে। একইভাবে, পর্যবেক্ষিত ডেটা এবং পরবর্তী তিন দিন এবং সাত দিনের জন্য সংশ্লিষ্ট ভবিষ্যদ্বাণীকৃত SST যথাক্রমে চিত্র 5 এবং চিত্র 6-এ প্রদর্শিত হয়েছে। ভিজ্যুয়ালাইজড ফলাফলগুলি নির্দেশ করে যে প্রস্তাবিত পদ্ধতিটি SST পূর্বাভাসের জন্য শক্তিশালী এবং নির্ভরযোগ্য ফলাফল তৈরি করতে পারে।

পরবর্তী একদিনের জন্য SST ভবিষ্যদ্বাণীর একটি স্ক্যাটার প্লট চিত্র 7-এ চিত্রিত করা হয়েছে। এটি লক্ষ্য করা যায় যে ডেটা পয়েন্টগুলি হল

মোটামুটি সমানভাবে লাল লাইনের কাছাকাছি বিতরণ করা হয়। Fig. 8 এবং Fig. 9 হল যথাক্রমে পরবর্তী তিন দিন এবং পরবর্তী সাত দিনের ভবিষ্যদ্বাণী ফলাফলের ছত্রভঙ্গ প্লট৷ স্ক্যাটার প্লটগুলি SST পূর্বাভাসের জন্য প্রস্তাবিত পদ্ধতির কার্যকারিতা প্রদর্শন করে।

প্রস্তাবিত পদ্ধতির কার্যকারিতা যাচাই করার জন্য, আমরা সাতটি ঘনিষ্ঠভাবে সম্পর্কিত পদ্ধতির সাথে প্রস্তাবিত পদ্ধতির তুলনা করি: ConvLSTM [20], Hybrid-NN [14], Hybrid-TL [15], Gen-END [57], VAE- GAN [58], Tra-NM, এবং Tra-ASL. এই পদ্ধতিগুলির জন্য অধ্যয়নের এলাকা হল (3.99°N∼24.78°N, 98.4°E∼ 124.4°E)। এই সমস্ত পদ্ধতিতে পরবর্তী 1-দিনের ভবিষ্যদ্বাণীর জন্য গত 5 দিনের প্রশিক্ষণের ডেটা, পরবর্তী 3-দিনের পূর্বাভাসের জন্য গত 7 দিনের ডেটা এবং পরবর্তী 7-দিনের জন্য গত 10 দিনের ডেটা ব্যবহার করা হয়েছে। ভবিষ্যদ্বাণী

ConvLSTM বিভাগ III এ আলোচনা করা হয়েছে। সি, এবং এটি SST পূর্বাভাসের জন্য একটি কার্যকর স্থানিক-অস্থায়ী মডেল। হাইব্রিডএনএন গভীর নিউরাল নেটওয়ার্কের প্রশিক্ষণের জন্য পর্যবেক্ষিত ডেটা এবং সংখ্যাসূচক মডেল ডেটার মধ্যে পার্থক্য ব্যবহার করে। হাইব্রিড-টিএল স্থানান্তর শেখার মাধ্যমে সংখ্যাসূচক মডেল এবং নিউরাল নেটওয়ার্কের সুবিধাগুলিকে একত্রিত করে। GenEND হল একটি জেনারেটিভ এনকোডার যা SST পূর্বাভাসের জন্য ব্যবহার করা যেতে পারে। VAE-GAN বৈচিত্রপূর্ণ অটোএনকোডারকে সংহত করে এবং

GAN, এবং এটি SST পূর্বাভাসের জন্য উচ্চ-স্তরের শব্দার্থিক বৈশিষ্ট্যগুলি ক্যাপচার করতে পারে। HYCOM SST ডেটা পরবর্তী 1-দিন, 3-দিন, এবং 7-দিনের ভবিষ্যদ্বাণী (Tra-NM নামে পরিচিত) জন্য ConvLSTM মডেলকে প্রশিক্ষণ দিতে ব্যবহার করা হয়। ট্রা-এএসএল একটি ঐতিহ্যগত আত্তীকরণ পদ্ধতি এবং এটি একাধিক ধরণের ডেটা (পর্যবেক্ষিত ডেটা এবং সংখ্যাসূচক মডেল ডেটা) এর মধ্যে পারস্পরিক সম্পর্ককে কাজে লাগায়।

GHRSST ডেটা প্রথমে একটি ConvLSTM মডেলকে প্রশিক্ষণের জন্য ব্যবহার করা হয়, যা বেসলাইন হিসাবে কাজ করে। এটি SST পূর্বাভাসের জন্য একটি বহুল ব্যবহৃত ডেটা-চালিত পদ্ধতি। Hybrid-NN, HybridTL, Gen-END, এবং VAE-GAN প্রশিক্ষণের জন্য GHRSST এবং HYCOM ডেটা নিয়োগ করে। HYCOM আত্তীকরণ তথ্য [56]

1/12°×1/12° এর স্থানিক রেজোলিউশন সহ এখানে ব্যবহার করা হয়। আমাদের পদ্ধতি ঐতিহাসিক পর্যবেক্ষিত ডেটা থেকে শারীরিক জ্ঞান প্রবর্তনের মাধ্যমে সংখ্যাসূচক মডেল ডেটার ভুল উপাদানগুলিকে উন্নত করে এবং সংশোধন করে। সংশোধিত সংখ্যাসূচক মডেল ডেটাকে পদার্থবিজ্ঞান-বর্ধিত ডেটা হিসাবে উল্লেখ করা হয়। পদার্থবিজ্ঞান-উন্নত ডেটার সাথে তুলনা করার জন্য, HYCOM অ্যাসিমিলেশন ডেটা (Tra-ASL) এবং HYCOM ডেটা (Tra-NM) একইভাবে ConvLSTM মডেলকে প্রশিক্ষণ দিতে ব্যবহৃত হয়।

ConvLSTM, Hybrid-NN, Tra-NM, এবং Tra-ASL-এর পরবর্তী 1-দিন, 3-দিন, এবং 7-দিনের ভবিষ্যদ্বাণীগুলির প্রশিক্ষণের সময় যথাক্রমে 1.8, 4.4 এবং 8.2 ঘন্টা। হাইব্রিড-টিএল পদ্ধতি কনভিএলএসটিএম মডেলকে দুইবার প্রশিক্ষিত করেছে এবং তিনটি কাজের জন্য প্রশিক্ষণের সময়কাল যথাক্রমে 3.6, 8.8 এবং 16.4 ঘন্টা। VAE-GAN-এর প্রশিক্ষণের জন্য 181.6, 184.2, এবং 188.4 ঘন্টা প্রয়োজন, যখন Gen-END পদ্ধতিতে প্রায় একই পরিমাণ সময় প্রয়োজন, যথাক্রমে তিনটি SST পূর্বাভাস কার্যের জন্য 196.8, 199.3 এবং 203.2 ঘন্টা।

পরবর্তী 1-দিন, 3-দিন, এবং 7-দিনের SST পূর্বাভাসের ফলাফলগুলি সারণি V-তে উপস্থাপন করা হয়েছে। এটা স্পষ্ট যে TraNM পদ্ধতি অন্যান্য পদ্ধতির তুলনায় অসন্তোষজনক ফলাফল দেয়। এটি সম্ভবত HYCOM ডেটার ভুল উপাদানগুলির কারণে, যা SST পূর্বাভাস কর্মক্ষমতাকে বিরূপভাবে প্রভাবিত করে। হাইব্রিড-এনএন পদ্ধতিটিও খারাপভাবে কাজ করে, কারণ এর গড় RMSE মান মডেলগুলির মধ্যে দ্বিতীয় সর্বনিম্ন। হাইব্রিড-টিএল মডেলটি পরবর্তী 1-দিনের SST পূর্বাভাসের জন্য ConvLSTM-এর থেকে ভাল পারফর্ম করে, কিন্তু অন্য দুটি কাজের জন্য নয়। আমাদের পদ্ধতি সেরা RMSE মান এবং সর্বোচ্চ R2 মান অর্জন করে। ConvLSTM মডেলের তুলনায়, আমাদের পদ্ধতির গড় RMSE মান কার্যকরভাবে উন্নত হয়েছে। এটা শারীরিক জ্ঞান প্রবর্তন যে প্রদর্শন করে

পর্যবেক্ষণ করা ডেটা থেকে সংখ্যাসূচক মডেল ডেটাতে ভুল উপাদানগুলি পুনরুদ্ধার করতে পারে, এইভাবে SST ভবিষ্যদ্বাণীর নির্ভুলতা উন্নত করে।

চিত্র 10 যথাক্রমে পরবর্তী একদিনের SST পূর্বাভাস, পর্যবেক্ষণ করা SST ডেটা এবং তাদের পার্থক্যগুলির জন্য ভিজ্যুয়ালাইজড ফলাফল উপস্থাপন করে। এটি দেখা যায় যে পূর্বাভাসিত ফলাফলগুলি দক্ষিণ চীন সাগরের সমগ্র অঞ্চল জুড়ে পর্যবেক্ষণ করা SST ডেটার সাথে অত্যন্ত মিল। চিত্র 11 পরবর্তী তিন দিনের এসএসটি পূর্বাভাসের জন্য ভিজ্যুয়ালাইজড ফলাফল প্রদর্শন করে। এটা দেখা যায় যে টনকিন উপসাগরে এবং দক্ষিণ চীন সাগরের অন্যান্য প্রান্তিক অঞ্চলে কিছু উল্লেখযোগ্য পার্থক্য রয়েছে। চিত্র 12 পরবর্তী সাত দিনের SST ভবিষ্যদ্বাণীর জন্য ভিজ্যুয়ালাইজড ফলাফলগুলিকে চিত্রিত করে৷ এটি পাওয়া গেছে যে প্রধান পার্থক্য মানগুলি প্রধানত পরবর্তী সাত দিনের ভবিষ্যদ্বাণীর জন্য টনকিন উপসাগরে মনোনিবেশ করে এবং সেগুলি অন্য দুটি কাজের ফলাফলের চেয়ে বড়।

E. সীমাবদ্ধতা এবং আলোচনা

চিত্র 7 থেকে চিত্র 9 পর্যন্ত, এটি লক্ষ্য করা যায় যে মধ্য-পরিসরের SST-তে কিছু ভুল আছে, যেগুলি চিত্র 13-এ দেখা হয়েছে। উজ্জ্বল পিক্সেলগুলি বড় SST পূর্বাভাস ত্রুটি নির্দেশ করে, যেখানে অন্ধকার পিক্সেলগুলি সঠিক SST পূর্বাভাস নির্দেশ করে৷ দেখা যায়, এই পয়েন্টগুলি মূলত তাইওয়ান প্রণালীর উত্তর-পশ্চিম অংশে অবস্থিত, যেখানে পূর্বাভাসিত সমুদ্র পৃষ্ঠের তাপমাত্রা পর্যবেক্ষণ করা তথ্যের চেয়ে কম। পূর্বাভাস ত্রুটি প্রধানত ConvLSTM মডেল এবং ল্যান্ড মাস্ক দ্বারা সৃষ্ট হয়। আমাদের বাস্তবায়নে, জমির মুখোশ অধ্যয়নের এলাকায় প্রয়োগ করা হয়। ConvLSTM পুরো অধ্যয়ন এলাকার স্থানিক এবং অস্থায়ী বৈশিষ্ট্যগুলিকে কাজে লাগায়। তাইওয়ান প্রণালীর উত্তর-পশ্চিম অংশের বৈশিষ্ট্যগুলি কিছু পরিমাণে ভূমির মুখোশ দ্বারা প্রভাবিত হয় এবং সেইজন্য ভবিষ্যদ্বাণীতে ত্রুটি দেখা দেয়। যদি উচ্চ রেজোলিউশন প্রশিক্ষণ তথ্য প্রাপ্ত করা যেতে পারে, এই অঞ্চলে ভবিষ্যদ্বাণীর যথার্থতা আরও উন্নত হবে।

চিত্র 11 এবং 12-এ, এটি দেখা যায় যে সীসা দিবসের সাথে ত্রুটিগুলির কোনও উল্লেখযোগ্য বৃদ্ধি নেই। এটি এই কারণে হতে পারে যে আমাদের পদ্ধতিটি পর্যাপ্ত পরিমাণ প্রশিক্ষণ ডেটা ব্যবহার করে এবং গভীর নিউরাল নেটওয়ার্কগুলি কার্যকরভাবে সাময়িক বৈশিষ্ট্যগুলি ক্যাপচার করতে সক্ষম হয়। তদ্ব্যতীত, SST এর অধ্যবসায়ও একটি গুরুত্বপূর্ণ কারণ।