Knowledge-Enhanced Deep Learning for Simulation of Extratropical Cyclone Wind Risk
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Boundary-layer wind associated with extratropical cyclones (ETCs) is an essential element for posing serious threats to the urban centers of eastern North America. Using a similar methodology for tropical cyclone (TC) wind risk (i.e., hurricane tracking approach), the ETC wind risk can be accordingly simulated. However, accurate and efficient assessment of the wind field inside the ETC is currently not available. To this end, a knowledge-enhanced deep learning (KEDL) is developed in this study to estimate the ETC boundary-layer winds over eastern North America. Both physics-based equations and semi-empirical formulas are integrated as part of the system loss function to regularize the neural network. More specifically, the scale-analysis-based reduced-order Navier–Stokes equations that govern the ETC wind field and the European Centre for Medium-Range Weather Forecasts (ECMWF) Re-Analysis (ERA) ERA-interim data-based two-dimensional (2D) parametric formula (with respect to radial and azimuthal coordinates) that prescribes an asymmetric ETC pressure field are respectively employed as rationalism-based and empiricism-based knowledge to enhance the deep neural network. The developed KEDL, using the standard storm parameters (i.e., spatial coordinates, central pressure difference, translational speed, approach angle, latitude of ETC center, and surface roughness) as the network inputs, can provide the three-dimensional (3D) boundary-layer wind field of an arbitrary ETC with high computational efficiency and accuracy. Finally, the KEDL-based wind model is coupled with a large ETC synthetic track database (SynthETC), where 6-hourly ETC center location and pressure deficit are included to effectively assess the wind risk along the US northeast coast in terms of annual exceedance probability.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle