samudra-ai 1.2.1

Paket Python untuk pengolahan koreksi bias model iklim global menggunakan deep learning CNN-BiLSTM.

samudra-ai

Paket Python untuk melakukan pengolahan koreksi bias model iklim global menggunakan arsitektur deep learning CNN-BiLSTM

SamudraAI 🌊

Paket Python untuk koreksi bias model iklim menggunakan arsitektur deep learning CNN-BiLSTM.

SamudraAI memudahkan peneliti dan praktisi di bidang ilmu iklim untuk menerapkan metode koreksi bias yang canggih pada data GCM (General Circulation Model) menggunakan data observasi sebagai referensi.

Fitur Utama

• 🧠 Arsitektur CNN-BiLSTM: Menggabungkan kemampuan ekstraksi fitur spasial dari CNN dengan pemahaman sekuens temporal dari LSTM.
• 📂 Antarmuka Sederhana: API yang bersih dan mudah digunakan, terinspirasi oleh scikit-learn.
• 🛠️ Pra-pemrosesan Terintegrasi: Fungsi bawaan untuk memuat, memotong, dan menormalisasi data iklim dalam format NetCDF.
• 💾 Model Persistent: Kemampuan untuk menyimpan model yang telah dilatih dan memuatnya kembali untuk inferensi di kemudian hari.

Instalasi

Anda dapat menginstal SamudraAI langsung dari PyPI menggunakan pip:

pip install samudra-ai

Cara Penggunaan Cepat (Quick Start)

Berikut adalah alur kerja dasar untuk menggunakan SamudraAI.

1. Siapkan Data Anda

Pastikan Anda memiliki data dalam format xarray.DataArray:

• gcm_hist_data: Data GCM historis (sebagai input X).
• obs_data: Data observasi/reanalysis (sebagai target y).
• periode_training : Samakan periode waktu antara gcm_hist_data dan obs_data
• gcm_future_data: Data GCM masa depan yang ingin dikoreksi
• periode_future: Tidak harus sama dengan periode_training (boleh lebih panjang)

### 2. import model
from samudra_ai import SamudraAI
from samudra_ai.data_loader import load_and_mask_dataset

### 3. Load GCM dan Observasi
gcm = load_and_mask_dataset("data_historical", "var_name_data_historical",
                            ("latitude_min", "latitude_max"), ("longitude_min", "longitude_max"),
                            ("periode awal (yyyy-mm-dd)", "periode akhir (yyyy-mm-dd)"))
obs = load_and_mask_dataset("data_observasi", "var_name_data_observasi",
                            ("latitude_min", "latitude_max"), ("longitude_min", "longitude_max"),
                            ("periode awal (yyyy-mm-dd)", "periode akhir (yyyy-mm-dd)"))

### 4. Inisialisasi dan Training Model
model = SamudraAI(time_seq="time_sequence") # time_sequence = periode temporal pembelajaran (bulanan)
model.fit(gcm, obs, epochs="epoch")    # epoch = jumlah pembelajaran model
model.plot_history(output_dir="local_path/")

### 5. Simpan dan/atau muat ulang model
model.save("nama_model")
model = SamudraAI.load("nama_model")

### 6. Evaluasi Historical dan Simpan Hasil Koreksi
eval_df, corrected_hist = model.evaluate_and_plot(
    raw_gcm_data=gcm,
    ref_data=obs,
    var_name_ref="sla",
    output_dir="local_path/",
    save_corrected_path="nama_hist_terkoreksi.nc"
)

### 6. Koreksi Proyeksi SSP
ssp = load_and_mask_dataset("data_proyeksi", "var_name_data_proyeksi",
                            ("latitude_min", "latitude_max"), ("longitude_min", "longitude_max"),
                            ("periode awal (yyyy-mm-dd)", "periode akhir (yyyy-mm-dd)"))
corrected_proj = model.correction(ssp, save_path="nama_proyeksi_terkoreksi.nc")

Best Practice

• ✅ Disarankan menggunakan TensorFlow GPU untuk performa optimal
• ✅ Disarankan memiliki memory / RAM yang cukup untuk pengolahan data dengan resolusi tinggi dan luasan domain yang besar
• ✅ Jalankan pelatihan secara penuh di lingkungan lokal
• ⚠️ Hindari mencampur save/load model .keras antar environment yang berbeda
• ⚠️ Menggunakan Docker tetap bisa berjalan, namun proses save and load (penggunaan no.5) tidak bisa diproses karena perbedaan env
• 💡 Format .nc hasil koreksi bisa langsung digunakan untuk plotting dan analisis

Lisensi

Proyek ini dilisensikan di bawah MIT License. Lihat file LICENSE untuk detailnya.