پیش‌بینی مسیر طوفان‌های حاره‌ای با استفاده از مدل حافظه طولانی کوتاه-مدت، اندازه‌گیری تشابه خطوط سیر و اطلاعات زمینه‌ای

طوفان حاره‌ای یک پدیده طبیعی و پیچیده است که وقوع آن جان و مال انسان‌ها را تهدید می‌کند. بنابراین پیش‌بینی دقیق مسیر حرکت طوفان برای کاهش خسارات اقتصادی و نجات جان انسان‌ها لازم است. هنگامی‌که طوفانی رخ می‌دهد اطلاعات زمینه‌ای مختلفی نظیر سرعت و شدت باد، فشار هوا، جهت طوفان، دمای سطح آب و غیره در تغییر مسیر حرکت طوفان‌ اثرگذار است و در نظر گرفتن این اطلاعات در فرآیند پیش‌بینی مسیر طوفان، می‌تواند دقت پیش‌بینی مسیر را بهبود بخشد. پژوهشگران روش‌های مختلفی را برای پیش‌بینی مسیر حرکت طوفان‌ها به‌کاربرده‌اند تا به بالاترین دقت در پیش‌بینی دست یابند. امروزه روش‌های یادگیری عمیق برای این منظور بسیار موردتوجه قرار‌گرفته است. در این پژوهش با اندازه‌گیری میزان شباهت خطوط‌سیر طوفان‌ها و در نظر گرفتن پارامترهای موقعیتی و اطلاعات زمینه‌ای نظیر سرعت باد و جهت طوفان، از روش حافظه طولانی کوتاه‌-مدت برای پیش‌بینی مسیر و مکان آینده طوفان‌های واقع در اقیانوس اطلس شمالی استفاده شده است. نتایج به‌دست‌آمده بهبود دقت پیش‌بینی نسبت به عدم در نظر گرفتن اطلاعات زمینه‌ای را برای بازه‌های زمانی 3، 6، 9 و 12 ساعت نشان می‌دهد. فاصله میان مسیر پیش‌بینی‌شده با مسیر واقعی در صورت در نظر گرفتن اطلاعات زمینه‌ای بین 1.9 تا 4.5 کیلومتر کاهش یافته است.

tropical storm path prediction using long short-term memory model, similarity measurement of trajectories and contextual information

tropical cyclones are a natural and complex phenomenon that threatens the life and property of human society. the accuracy of predicting their trajectories is critical to reducing economic loss and saving human lives. when a storm occurs, context information such as wind speed and intensity, air pressure, storm direction, water surface temperature, etc. are effective in changing the direction of storm trajectory. accordingly, considering this informations can improve the forecasting accuracy. researchers have used various methods to predict the direction of hurricane movements to achieve the highest accuracy in forecasting. recently, deep learning methods have shown a potential capability to process complex data efficiently and accurately. in this paper, we used the long short-term memory method to predict the future path and location of tropical cyclones in the north atlantic ocean by measuring the similarity of tropical cyclone trajectories and taking into account positional parameters and context information such as wind speed and storm direction. the obtained results show an improvement in the accuracy of the prediction compared to the lack of context information for the 3, 6, 9, and 12 hours time periods. the distance between the predicted trajectory path and actual trajectory path has been reduced from 1.9 to 4.5 km, taking into account the context information.