Enhancing Few-Shot Learning for Tropical Cyclone Severity Prediction: A Deep Learning Approach
Notice bibliographique
Résumé
The accurate prediction of tropical cyclone severity is of paramount importance in mitigating the potential damages arising from such catastrophic events.Constant monitoring and precise forecasting of tropical cyclones using remote satellite imagery from the Meteorological and Oceanographic Satellite Data Archival Centre (MOSDAC) are crucial.However, the challenge encountered with the current deep learning approach to image classification is its reliance on extensive labelled data and its limitations in few-shot learning.This study proposes a novel few-shot learning (FSL) approach for the prediction of tropical cyclone severity.In conjunction with FSL, the earth mover's distance (EMD) metric is employed to compute the distance between dense regions, thereby determining the relevance of an image.The methodology harnesses a remote satellite dataset provided by MOSDAC.The proposed approach is underpinned by the human capacity to identify novel classes from a limited number of samples, leveraging previously acquired knowledge.The FSL methodology adopts a meta-learning mechanism, enabling enhanced understanding of the data and facilitating the generalization of a new class of data.The results indicate that the FSL+EMD-based models outperform other state-of-the-art models, achieving a prediction accuracy of 85.8% in forecasting tropical cyclone severity from remote satellite imagery.
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 | 0,000 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».