دانلود مقاله انگلیسی رایگان:بهبود میانگین گروه های موج در مقیاس جهانی NCEP با استفاده از شبکه های عصبی - 2020
بلافاصله پس از پرداخت دانلود کنید

با سلام خدمت کاربران عزیز، به اطلاع می رساند ترجمه مقالاتی که سال انتشار آن ها زیر 2008 می باشد رایگان بوده و میتوانید با وارد شدن در صفحه جزییات مقاله به رایگان ترجمه را دانلود نمایید.

دانلود مقاله انگلیسی شبکه های نورونی رایگان
  • Improving NCEP’s global-scale wave ensemble averages using neural networks Improving NCEP’s global-scale wave ensemble averages using neural networks
    Improving NCEP’s global-scale wave ensemble averages using neural networks

    سال انتشار:

    2020


    عنوان انگلیسی مقاله:

    Improving NCEP’s global-scale wave ensemble averages using neural networks


    ترجمه فارسی عنوان مقاله:

    بهبود میانگین گروه های موج در مقیاس جهانی NCEP با استفاده از شبکه های عصبی


    منبع:

    Sciencedirect - Elsevier - Ocean Modelling, 149 (2020) 101617. doi:10.1016/j.ocemod.2020.101617


    نویسنده:

    Ricardo Martins Campos a,∗, Vladimir Krasnopolsky b, Jose-Henrique Alves c, Stephen G. Penny d,e


    چکیده انگلیسی:

    The quality of metocean forecasts at longer forecast ranges has a significant impact on maritime safety and offshore operations. A nonlinear ensemble averaging technique is demonstrated using neural networks applied to one year (2017) of Global ocean Wave Ensemble forecast System (GWES) data provided by NCEP. Post-processing algorithms are developed based on multilayer perceptron neural networks (NN) trained with altimeter data to improve the global forecast skill, from nowcast to forecast ranges up to 10 days, including significant wave height (Hs) and wind speed (U10). NNs are applied as an alternative to the typical use of the arithmetic ensemble mean (EM). NN models are constructed using six variables sourced from 21 ensemble members, plus latitude, sin/cos of longitude, sin/cos of time, forecast lead time, and GWES cycle. The NN outputs are the residues of Hs and U10, i.e., the difference from the EM to the observations. One hidden (intermediate) layer is evaluated in terms of the optimum number of neurons (complexity) to map the given problem. The sensitivity test considered 26 different numbers of neurons, 10 seeds for initial conditions, and 3 equally-divided datasets; for a total of 780 NN experiments. Assessments using 2,507,099 paired satellite/GWES fields show that a simple NN model with few neurons is able to reduce the systematic errors for short-range forecasts, while a NN with more neurons is required to minimize the scatter error at longer forecast ranges. The novel method shows that one single NN model with 140 neurons is able to improve the error metrics for the whole globe while covering all forecast ranges analyzed. The bias of the widely used EM of GWES that varies from -10% to 10% for Hs compared to altimeters can be reduced to values within 5%. The RMSE of day-10 forecasts from the NN simulations indicated a gain of two days in predictability when compared to the EM, using a reasonably simple post-processing model with low computational cost.
    Keywords: Neural networks | Ensemble forecast | Non-linear ensemble averaging | Wave modeling | Altimeter data


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 12
    حجم فایل: 4702 کیلوبایت

    قیمت: رایگان


    توضیحات اضافی:




اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

تعداد نظرات : 0

الزامی
الزامی
الزامی
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi