A novel hybrid machine learning model for rapid assessment of wave and storm surge responses over an extended coastal region
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
Storm surge and waves are responsible for a substantial portion of tropical and extratropical cyclones-related damages. While high-fidelity numerical models have significantly advanced the simulation accuracy of storm surge and waves, they are not practical to be employed for probabilistic analysis, risk assessment or rapid prediction due to their high computational demands. In this study, a novel hybrid model combining dimensionality reduction and data-driven techniques is developed for rapid assessment of waves and storm surge responses over an extended coastal region. Specifically, the hybrid model simultaneously identifies a low-dimensional representation of the high-dimensional spatial system based on a deep autoencoder (DAE) while mapping the storm parameters to the obtained low-dimensional latent space using a deep neural network (DNN). To train the hybrid model, a combined weighted loss function is designed to encourage a balance between DAE and DNN training and achieve the best accuracy. The performance of the hybrid model is evaluated through a case study using the synthetic data from the North Atlantic Comprehensive Coastal Study (NACCS) covering critical regions within New York and New Jersey. In addition, the proposed approach is compared with two decoupled models where the regression model is based on DNN and the reduction techniques are either principal component analysis (PCA) or DAE which are trained separately from the DNN model. High accuracy and computational efficiency are observed for the hybrid model which could be readily implemented as part of early warning systems or probabilistic risk assessment of waves and storm surge.
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 | 0,000 | 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) | 0,000 | 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 découle