samudra-ai 2.5.5

Paket Python untuk pengolahan koreksi bias pada model iklim global menggunakan deep learning CNN-BiLSTM dan CONVLSTM2D.

samudra-ai

Library Python samudra-ai versi terbaru

SamudraAI 🌊

Paket Python versi terbaru untuk melakukan pengolahan koreksi bias model iklim global menggunakan arsitektur deep learning.

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.

Pilihan Model

1️⃣ SamudraAI (CNN-BiLSTM)

✅ Kelebihan: Training paling cepat & konsumsi VRAM paling ringan Robust terhadap noise & missing data berkat pooling & dropout Sangat baik menangkap tren temporal & rata-rata regional Bekerja stabil dengan dataset terbatas

⚠️ Kekurangan: Global pooling menghilangkan detail spasial resolusi tinggi Output spasial direkonstruksi dari Dense layer → cenderung smooth/blur Kurang optimal untuk pola lokal tajam (gradien pesisir, orografis)

🎯 Kapan Dipilih: Bias correction parameter iklim, studi regional skala besar, environment dengan GPU terbatas, atau baseline cepat.

2️⃣ SamudraAI2 (ConvLSTM2D)

✅ Kelebihan: Memodelkan dependensi spasial & temporal secara bersamaan Struktur spasial lebih terjaga dibanding pooling-based model Evolusi temporal halus berkat filter rekuren spasial Keseimbangan baik antara akurasi & biaya komputasi

⚠️ Kekurangan: Dapat kesulitan dengan skala spasial sangat tidak seragam Output sequence-to-sequence perlu slicing manual untuk next-step prediction VRAM lebih tinggi dari SamudraAI

🎯 Kapan Dipilih: Downscaling dan koreksi bias dengan transisi temporal yang penting dan resolusi temporal yang lebih tinggi.

3️⃣ SamudraAI3 (U-Net + ConvLSTM)

✅ Kelebihan: Ekstraksi fitur multi-skala (detail lokal + konteks global) Skip connections mempertahankan pola resolusi tinggi Dynamic resize menangani input dimensi ganjil/kecil secara robust (padding='same')

⚠️ Kekurangan: Konsumsi VRAM & waktu training paling tinggi Memerlukan tuning dropout & learning rate agar tidak overfit Rentan noise jika data training terlalu sedikit atau tidak stabil

🎯 Kapan Dipilih: Koreksi bias high-precision (curah hujan ekstrem), region dengan topografi/pesisir kompleks.

Fitur Utama

• 🧠 Antarmuka Sederhana: API yang bersih, sederhana dan mudah digunakan.
• 🛠️ Pra-pemrosesan Terintegrasi: Fungsi bawaan untuk memuat, memotong, dan menormalisasi data iklim dalam format NetCDF.
• 🛠️ Tersedia transformasi log/expm: Fungsi bawaan untuk memuat, memotong, dan menormalisasi data iklim khususnya data hujan.
• 🛠️ Tersedia feature seasonal: Fungsi bawaan untuk memasukkan faktor pola musiman khususnya pada data hujan.
• 🛠️ Tersedia manual tunning: Fungsi bawaan apabila mau melakukan parameter tunning selain pilihan default untuk hasil yang spesifik.
• 🛠️ Tersedia uncertainty model: Fungsi bawaan untuk melihat kemampuan model dalam melakukan koreksi untuk data grid random.
• 💾 Model Persistent: Kemampuan untuk menyimpan model yang telah dilatih dan memuatnya kembali untuk diterapkan pada data dimasa depan.

Instalasi

Anda dapat menginstal SamudraAI langsung dari PyPI menggunakan pip:

pip install samudra-ai

Penggunaan Library

https://github.com/adityoAJA/samudra-ai/blob/cc71adc811d5b16ece2d6db74044124974eb1136/How-to-use-samudra-ai.txt

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 versi tunning yang sudah ter hardcore. Bila hasil kurang optimal bisa menyesuaikan ulang parameter tunningnya secara manual.
• ⚠️ 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.