Transfer Learning Approach - An Efficient Method to Predict Rainfall Based on Ground-Based Cloud Images
Notice bibliographique
Résumé
Clouds play a vital role in climate prediction. Rainfall prediction also majorly depends on the status and types of clouds present in the sky. Therefore, cloud identification is the most exciting and vital topic in meteorology and attracts most researchers from other areas. This paper presents the transfer learning technique to predict the Rainfall based on ground-based Cloud images responsible for rains. It will predict the estimated Rainfall by identifying the type of cloud by taking cloud images as input. The cloud images in the dataset are divided into three categories(classes) labeled as no-rain to very low-rain, low to medium-rain, and medium to high Rain based on the associated Precipitation responsible for the appropriate Rainfall. This model will be most helpful to the farmers to manage their Irrigation by knowing the status of Rainfall before every irrigation cycle or can also be helpful to take decisions on the outdoor events by taking prior knowledge of Rain. The model is trained on three classes to predict the Rainfall and firstly experimented with CNN. To improve the performance, the experiment is carried out with some best-pretrained models VGG16, Inception-V3, and XCeption using transfer learning and, the results are compared to the regular CNN model. The transfer learning technique is outperformed to get good accuracy as the dataset is too small and presented the best possible results of the model. Google colab with GPU setting makes the task fast and efficient to get the appropriate results in time, and performance achieved by transfer learning is excellent and can fulfill real-time requirements.
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.
Comment cette classification a été obtenuedéplier
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».