AI এবং বিশ্বের কঠিন সমস্যাগুলো · পৃথিবী ও জলবায়ু বিজ্ঞান · arXiv · 2026-10-22

স্বল্পমেয়াদি বায়ুমণ্ডলীয় সিইং (Seeing) পূর্বাভাসের জন্য সম্ভাব্যতাভিত্তিক মেশিন লার্নিং

মূল শিরোনাম: Probabilistic Machine Learning for Short-Term Atmospheric Seeing Forecasting

এই গবেষণায় এমন মেশিন লার্নিং মডেলের বেঞ্চমার্ক পরীক্ষা করা হয়েছে যেগুলি দুই ঘণ্টা পর্যন্ত সামনের বায়ুমণ্ডলীয় সিয়িং (seeing) পূর্বাভাস দেয়, যেখানে আলোক টার্বুলেন্সের দ্রুত পরিবর্তন জ্যোতির্বৈজ্ঞানিক পর্যবেক্ষণ ও ফ্রি-স্পেস অপটিক্যাল যোগাযোগকে প্রভাবিত করে। Maunakea শিখর থেকে প্রাপ্ত সিয়িং পরিমাপ ব্যবহার করে Gaussian Processes এবং নরমালাইজিং-ফ্লো-ভিত্তিক FloTS-কে ডিটারমিনিস্টিক RNN ও LSTM বেসলাইনের সঙ্গে তুলনা করা হয়। ডিপ লার্নিং পদ্ধতিগুলি সাধারণ রিকারেন্ট নেটওয়ার্কের চেয়ে ভালো ফল দিয়েছে, যেখানে LSTM ও FloTS সর্বোত্তম সামগ্রিক নির্ভুলতা অর্জন করেছে; Gaussian Processes তাদের গাউসীয় অনুমানের সীমাবদ্ধতায় থাকলেও FloTS প্রতিযোগিতামূলক নির্ভুলতার সঙ্গে নমনীয় অনিশ্চয়তা পরিমাপ একত্রিত করে সবচেয়ে তথ্যপূর্ণ সম্ভাব্যতা-ভিত্তিক পূর্বাভাস তৈরি করেছে।]

মূল লেখা পড়ুন ↗

সব আইটেম →