10:56
官方账号arXiv cs.LG@Swastik Agrawal, Nishkal Hundia, Ziyue Liu, Michelle Bensi
推荐理由：这篇论文用LSTM和CNN补热带气旋数据里的Rmax缺失值，发现时序模型少用10倍数据效果还更好，做沿海灾害评估的值得看看。
IBTrACS
共 1 条相关 AI 资讯
8月11日
10:56
该研究评估了用1DCNN、LSTM和传统机器学习方法填补热带气旋最大风速半径（Rmax）缺失值的效果。加入34节风速半径（R34）作为输入显著提升了所有模型的性能。时序模型在样本量少约一个数量级的情况下，平均相关性仍高于非时序模型，说明其能更好保留Rmax的跨风暴变异性。迁移学习未带来性能提升，因为合成数据集（RAFT、STORM）的Rmax分布比IBTrACS观测数据更低且变异性更小。研究展示了时序深度学习在重建不完整热带气旋记录方面的潜力。