深度学习模型改进热带气旋风力数据的缺失值插补

研究人员开发了包括一维卷积神经网络 (1DCNN) 和长短期记忆网络 (LSTM) 在内的深度学习模型，用于插补热带气旋最佳路径数据中缺失的最大风速半径 (Rmax) 值。研究发现，纳入 34 节风速半径 (R34) 可显著提高模型性能。尽管样本量较少，但时间模型能更好地保留 Rmax 的变异性，尤其是在 R34 不可用时，这表明时间信息可以部分弥补风暴大小预测因子的缺失。迁移学习未能带来改进，这可能是由于合成数据集和观测数据集之间的分布差异。 AI

影响 通过提高热带气旋数据的完整性，增强了气候灾害评估的准确性。

排序理由 该集群包含一篇学术论文，详细介绍了使用深度学习进行数据插补的新研究方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• 1DCNN
• International Best Track Archive for Climate Stewardship
• long short-term memory
• RAFT
• Rmax
• STORM
• tropical cyclone

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →