சயின்ஸ் டெக் பல்ஸ்
சுற்றுச்சூழல்

புதிய S-DEIM முறை: குறைந்த தரவிலும் 40% துல்லியமான கடல் வெப்பநிலை கணிப்பு

S-DEIM எனும் புதிய கணித முறை, குறைந்த தரவைப் பயன்படுத்தி உலகளாவிய கடல் மேற்பரப்பு வெப்பநிலையை DEIM முறையை விட 40% அதிக துல்லியமாகவும், சிறந்த AI மாடலை விட சற்று அதிகமாகவும் கணிக்கிறது. இதற்கு பயிற்சிக்கு எடுக்கும் நேரமும் மிகக் குறைவு.

வட கரோலினா மாநிலப் பல்கலைக்கழக ஆய்வாளர்கள், குறைந்த தரவிலிருந்து உலகளாவிய கடல் மேற்பரப்பு வெப்பநிலைகளை மதிப்பிடும் ஒரு புதிய கணிப்பு முறையை உருவாக்கியுள்ளனர். இதற்கு ஸ்பார்ஸ் டிஸ்க்ரீட் எம்பிரிக்கல் இன்டர்பொலேஷன் மெதட் () என்று பெயர். இது தற்போதுள்ள முறைகளை விட அதிக துல்லியமாகவும், சோதிக்கப்பட்ட சிறந்த AI மாடலை விட வேகமாகவும் செயல்படுகிறது. கணிதத் துறை இணைப் பேராசிரியர் முகமது ஃபராஸ்மந்த் இந்த ஆய்வுக் குழுவை வழிநடத்தினார்.

கடல் மேற்பரப்பு வெப்பநிலை (SST) தரவு, வானிலை முன்னறிவிப்பு, காலநிலை கணிப்புகள் மற்றும் கடல்வாழ் சூழலியல் ஆய்வுகளுக்கு அடிப்படையாக அமைகிறது. ஆனால் நடைமுறையில் இத்தரவு பெரும்பாலும் குறைவாகவே கிடைக்கிறது. மிதவைகள் துல்லியமாக வெப்பநிலையை அளக்கும் என்றாலும் அவற்றின் எண்ணிக்கை குறைவு. செயற்கைக்கோள்கள் அதிக பரப்பளவை உள்ளடக்கினாலும், வளிமண்டல நிலைமைகள் அவற்றின் துல்லியத்தைப் பாதிக்கலாம். தேசிய கடல்சார் மற்றும் வளிமண்டல நிர்வாகம் (NOAA) போன்ற அமெரிக்க அரசு நிறுவனங்கள் இந்த இடைவெளிகளை நிரப்ப சிக்கலான வகைக்கெழு சமன்பாடுகளை பயன்படுத்தி வந்துள்ளன. இதை ஃபராஸ்மந்த் தெரிவித்தார்.

S-DEIM, ஏற்கெனவே உள்ள டிஸ்க்ரீட் எம்பிரிக்கல் இன்டர்பொலேஷன் மெதட் (DEIM) எனும் நுட்பத்தை அடிப்படையாகக் கொண்டது. இது மதிப்பிடப்படும் கடல் மேற்பரப்பு வெப்பநிலைத் தரவை விவரிக்கும் அமைப்புகளின் தொகுப்பான ஒரு அடிப்படையைப் பயன்படுத்துகிறது. ஆனால் DEIM குறைந்த தரவுடன் சரியாக செயல்படுவதில்லை. இந்தக் குறையை ஈடுசெய்ய, S-DEIM வரலாற்றுத் தரவைப் பயன்படுத்தி, திட்டவட்ட கணித சூத்திரம் இல்லாத 'கெர்னல் வெக்டர்' எனும் மதிப்பை மதிப்பிடுகிறது. இது விடுபட்ட அளவீடுகளை நிரப்ப உதவுகிறது.

ஆய்வுக் குழு, S-DEIM முறையை DEIM முறையுடனும், ஒப்பீட்டில் சிறந்து விளங்கிய AI மாடலான கன்வல்யூஷனல் நியூரல் நெட்வொர்க் (CNN) மாடலுடனும் ஒப்பிட்டுச் சோதித்தது. இதற்கு NOAA நிறுவனத்தின் 30 ஆண்டு கடல் மேற்பரப்பு வெப்பநிலைத் தரவைப் பயன்படுத்தினர். கடைசி ஆண்டின் தரவை நீக்கி வைத்து, ஒவ்வொரு முறையையும் அதை கணிக்கச் செய்து, பின்னர் அக்கணிப்புகளை வரலாற்றுப் பதிவுகளுடன் ஒப்பிட்டனர். S-DEIM முறை, DEIM முறையை விட 40% அதிக துல்லியமாகவும், CNN மாடலை விட 2% அதிக துல்லியமாகவும் இருந்தது. CNN மாடலுக்குப் பயிற்சிக்கு ஒன்றரை மணி நேரம் ஆனது; S-DEIM முறைக்கோ ஒரே ஒரு நிமிடம் மட்டுமே ஆனது.

இளங்கலை மாணவர்களுக்கான ஆய்வு அனுபவத் திட்டத்தின் ஒரு பகுதியாக மேற்கொள்ளப்பட்ட இந்த ஆய்வு, ஜர்னல் ஆஃப் ஜியோஃபிசிகல் ரிசர்ச்: மெஷின் லேர்னிங் அண்ட் கம்ப்யூடேஷன் இதழில் வெளியாகியுள்ளது. கொலராடோ போல்டர் பல்கலைக்கழகத்தைச் சேர்ந்த காசிடி ஆல், மிசிசிப்பி மாநிலப் பல்கலைக்கழகத்தைச் சேர்ந்த கெவின் ஹோ, மற்றும் பார்ட் கல்லூரியைச் சேர்ந்த மாயா மேக்னஸ்கி ஆகியோர் இணை ஆசிரியர்களாக இருந்தனர். இந்தியானா பல்கலைக்கழகத்தைச் சேர்ந்த கிறிஸ்டோஃபர் நிக்கோலைடிஸ் மற்றும் என்சி ஸ்டேட் முதுகலை மாணவர் லூயிசா எப்பியும் இணை ஆசிரியர்களாக இருந்தனர். S-DEIM முறையின் துல்லியத்தைத் தொடர்ந்து மேம்படுத்த திட்டமிட்டுள்ளதாக ஃபராஸ்மந்த் தெரிவித்தார்.

சொல் விளக்கம்

இதுவரை நடந்தது

  1. எகிப்தின் கடலோர உப்பு நிலங்கள் விரிவடைகின்றன: காலநிலை மாற்றத்தின் சான்று
  2. பலவீனமான கடல் வெப்பநிலை வேறுபாடுகள் புயல்களை மேலும் பலப்படுத்தலாம்: ஆய்வு
  3. பூமியின் பழங்கால மிகுபனிக் காலத்தை உப்பு படிகங்கள் ஆழப்படுத்தியதா?
  4. ஆண்டார்டிகாவில் சாதனை பனிப் பெருக்கம்: 695 பில்லியன் டன் கூடுதல் ஏன்?
  5. கோடையை தாண்டி பரவும் கடும் வெப்பம்: புதிய உலகளாவிய ஆய்வு
  6. அண்டார்க்டிக்காவில் 40,000 பனிப்பாறைகள்: கடல் பனியை காக்கும் வேலி கம்பங்கள் போல்
  7. புதிய S-DEIM முறை: குறைந்த தரவிலும் 40% துல்லியமான கடல் வெப்பநிலை கணிப்பு
#sea surface temperature#s-deim#climate science#oceanography#machine learning#nc state university
இச்செய்திக்கு மதிப்பிடுங்கள்

தொடர்புடைய செய்திகள்