یک مدل هشدار زودهنگام مبتنی بر هوش مصنوعی برای تشدید سریع طوفان های گرمسیری در کاربردهای مدیریت بحران

تشدید سریع (RI) طوفان های گرمسیری همچنان منبع کلیدی عدم قطعیت پیش بینی و عامل اصلی تشدید سریع خطر در سیستم های هشدار اولیه است. ما یک مدل عصبی ترکیبی زمانی سبک برای پیش بینی احتمالی RI از مجموعه ای فشرده از پیش بینی کننده های مرکز طوفان که از نظر فیزیکی قابل تفسیر هستند، پیشنهاد می کنیم: دمای سطح دریا (SST)، فشار متوسط ​​سطح دریا (MSLP) و برش باد عمودی، که با مقادیر تاخیری ۶-۲۴ ساعته تقویت شده اند. ما همچنین تقسیم بندی های طوفان را با استفاده از شناسه طوفان در نظر می گیریم و تفکیک را با ROC-AUC و دقت متوسط، دقت احتمالی از طریق امتیاز Brier و تایید تصمیم گیری محور با معیارهای POD و FAR گزارش می دهیم. ما مقیاس بندی Post-hoc Platt را روی تقسیم اعتبارسنجی اعمال می کنیم و کالیبراسیون را با نمودارهای قابلیت اطمینان ارزیابی می کنیم. در تقسیم بندی آزمون hold-out، مدل با ROC-AUC تقریبا ۰.۷۹ و معیار AP تقریبا ۰.۲۰ و امتیاز Brier تقریبا ۰.۰۵۴ به تفکیک قوی دست می یابد. بر اساس تجزیه و تحلیل SHAP، ویژگی های مرتبط با MSLP و SST به عنوان تاثیرگذارترین ویژگی های پیش بینی شناسایی شدند. تمام آزمایش ها بر روی یک واحد پردازش گرافیکی (GPU) NVIDIA RTX ۵۰۸۰ Ti انجام شد. بنابراین، رویکرد پیشنهادی برای محیط هایی با منابع محاسباتی محدود مناسب است.

کلیدواژه ها:

tropical cyclone ، rapid intensification ، early warning ، disaster risk reduction ، intensity forecast ، TimeMixerDrop ، ERA۵ ، IBTrACS ، سیکلون حاره ای ، شدت گیری سریع ، پیش بینی شدت ، TinyTimeMixer ، ERA۵ ، IBTrACS