Tropikal siklonları (TC’ler) doğru bir şekilde tahmin etmek, afetlerin azaltılması ve kamu güvenliği açısından çok önemlidir. Her ne kadar TC izlerinin tahmin doğruluğu son yıllarda önemli ölçüde artmış olsa da, TC yoğunluğunun tahmin edilmesindeki ilerleme sınırlı kalmaktadır. Son yıllarda, derin öğrenme yöntemleri TC yoğunluk tahmininde büyük potansiyel göstermiştir; ancak yine de sınırlı yorumlanabilirlik, hantal özellik mühendisliği ve güvenilmez gerçek zamanlı operasyonel tahminler gibi zorluklarla karşı karşıyadırlar.
Bu sınırlamaların üstesinden gelmek için, Çin Ulusal Savunma Teknolojisi Üniversitesi, İleri Disiplinlerarası Çalışmalar Koleji’nden Profesör Wei Zhong liderliğindeki araştırma ekibi, Kolmogorov-Arnold ağlarını (KAN’lar) dinamik bir öngörücü budama optimizasyon modülüyle (TCI-KAN) birleştiren yeni bir TC yoğunluk tahmin çerçevesi önermektedir. Üç modülden oluşur: tahmin edici budama optimizasyon modülü, sinir ağı optimizasyon modülü ve tahmin modülü. Araştırma sonuçları yakın zamanda yayınlandı Atmosfer ve Okyanus Bilimi Mektupları.
Test sonuçları, tahmin edici budama optimizasyon modülünün 317 tahminci arasından 15 yüksek etkili tahminciyi etkili bir şekilde seçebildiğini göstermektedir. TCI-KAN, 2,85 kt ortalama mutlak hata (MAE) ile 6 saatlik yoğunluk tahminlerinde üstün doğruluk elde ediyor. TCI-KAN, resmi operasyonel tahmin, tek derin öğrenme modelleri ve hibrit derin öğrenme modelleriyle karşılaştırıldığında MAE’de referans alınan en iyi kayıtlardan sırasıyla %31, %13 ve %6 oranında önemli ölçüde daha iyi performans gösteriyor.
Ayrıca TCI–KAN farklı havzalar ve TC kategorileri için de uygundur. Doğu Pasifik bölgesinde diğer bölgelere kıyasla daha yüksek doğruluk ve daha düşük belirsizlik sergiliyor ancak tahmin hatası ve belirsizlik, TC’lerin artan yoğunluğuyla birlikte artıyor.
Makalenin ilgili yazarı Profesör Wei Zhong, “Bu çalışma, yorumlanabilir derin öğrenme ağlarının TC yoğunluk tahminine uygulanmasını genişletiyor ve tahmin doğruluğunu önemli ölçüde artırıyor. Yalnızca TC yoğunluk tahmini için yeni bir teknik yol sağlamakla kalmıyor, aynı zamanda veriye dayalı ve fiziksel mekanizmaya dayalı yöntemleri entegre eden tahmin paradigmasının gelişimini de destekliyor.”
Makalenin ilk yazarı, Ulusal Savunma Teknolojisi Üniversitesi’nde yüksek lisans öğrencisi olan Keyun Li’dir.
