ध्यान-आधारित LSTM आर्किटेक्चर का उपयोग करते हुए वर्षा की भविष्यवाणी

यह अध्ययन जटिल जलवायु गतिशीलताओं वाले क्षेत्रों, जैसे कि मालंग रेजेंसी, पूर्व जावा में वर्षा को सटीकता से भविष्यवाणी करने की चुनौती को संबोधित करता है। यह बहदानाउ ध्यान तंत्र के साथ बढ़ाए गए लंबे-दूर अवधि की स्मृति (LSTM) मॉडल के प्रदर्शन का मूल्यांकन करता है, इसे ऐतिहासिक मौसम मापदंडों जैसे औसत तापमान, सापेक्ष आर्द्रता, धूप की अवधि, और हवा की गति के आधार पर दैनिक वर्षा की भविष्यवाणी में मानक LSTM मॉडल के साथ तुलना करता है। 2000 से 2023 तक BMKG से दैनिक डेटा का उपयोग करते हुए, दोनों मॉडलों ने डेटा पूर्व-प्रसंस्करण, विशेषता चयन, मॉडल प्रशिक्षण, और मूल्यांकन सहित एक संरचित मशीन लर्निंग प्रक्रिया से गुजरते हुए प्रदर्शन किया। ध्यान-आधारित LSTM ने लगातार मानक LSTM से बेहतर प्रदर्शन किया, विशेष रूप से वर्षा की異常ताओं को संभालने में, जिसमें MSE 0.00800 और RMSE 0.08948 प्राप्त हुआ, जबकि मानक LSTM के लिए क्रमशः 0.00817 और 0.09039 था। ये परिणाम दर्शाते हैं कि बहदानाउ ध्यान के एकीकरण से मॉडल की प्रासंगिक कालिक विशेषताओं पर ध्यान केंद्रित करने में सुधार होता है, जो भविष्यवाणी की सटीकता और मजबूती को बढ़ाता है। दो LSTM कोशिकाओं के साथ ध्यान तंत्र का यह आर्किटेक्चर जटिल अनुक्रमिक पैटर्न को प्रभावी ढंग से पकड़ता है, जिसे मानक मॉडल नजरअंदाज करने की प्रवृत्ति रखता है। यह शोध समय श्रृंखला मौसम भविष्यवाणी में ध्यान तंत्र की संभावनाओं को उजागर करता है, जो अधिक विश्वसनीय पूर्व चेतावनी प्रणालियों, अनुकूली कृषि रणनीतियों, और आपदा जोखिम कमी ढांचे में योगदान करता है। भविष्य का कार्य हाइब्रिड मॉडलों का अन्वेषण कर सकता है या प्रदर्शन और सामान्यीकरण को और बढ़ाने के लिए अतिरिक्त मौसम विशेषताओं को शामिल कर सकता है।