論文の概要: STAS: Adaptive Selecting Spatio-Temporal Deep Features for Improving Bias Correction on Precipitation

• arxiv url: http://arxiv.org/abs/2004.05793v1
• Date: Mon, 13 Apr 2020 07:00:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-13 23:17:25.059322
• Title: STAS: Adaptive Selecting Spatio-Temporal Deep Features for Improving Bias Correction on Precipitation
• Title（参考訳）: stas: 降水のバイアス補正を改善するための時空間的深部特徴の適応選択
• Authors: Yiqun Liu, Shouzhen Chen, Lei Chen, Hai Chu, Xiaoyang Xu, Junping Zhang, Leiming Ma
• Abstract要約: 我々は、ECから最適なST正規性を選択するために、時空間特徴自動選択(STAS)モデルというエンドツーエンドのディープラーニングBCoPモデルを提案する。 ECパブリックデータセットの実験は、STASがBCoPのいくつかの基準で最先端のパフォーマンスを示すことを示唆している。
• 参考スコア（独自算出の注目度）: 27.780513053310223
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Numerical Weather Prediction (NWP) can reduce human suffering by predicting disastrous precipitation in time. A commonly-used NWP in the world is the European Centre for medium-range weather forecasts (EC). However, it is necessary to correct EC forecast through Bias Correcting on Precipitation (BCoP) since we still have not fully understood the mechanism of precipitation, making EC often have some biases. The existing BCoPs suffers from limited prior data and the fixed Spatio-Temporal (ST) scale. We thus propose an end-to-end deep-learning BCoP model named Spatio-Temporal feature Auto-Selective (STAS) model to select optimal ST regularity from EC via the ST Feature-selective Mechanisms (SFM/TFM). Given different input features, these two mechanisms can automatically adjust the spatial and temporal scales for correcting. Experiments on an EC public dataset indicate that compared with 8 published BCoP methods, STAS shows state-of-the-art performance on several criteria of BCoP, named threat scores (TS). Further, ablation studies justify that the SFM/TFM indeed work well in boosting the performance of BCoP, especially on the heavy precipitation.
• Abstract（参考訳）: 数値気象予測(NWP)は、時間内に壊滅的な降雨を予測することによって、人間の苦痛を軽減することができる。 世界で一般的に使われているNWPは、中距離気象予報センター(EC)である。 しかし, 降水メカニズムを十分に理解していないため, BCoP (Bias Correcting on Precipitation) によるEC予測の修正が必要である。 既存のbcpsは、限られた事前データと固定時空間(st)スケールに苦しむ。 そこで本稿では,ST特徴選択機構(SFM/TFM)を用いて,ECから最適なST正規性を選択するための,時空間特徴自動選択(STAS)モデルを提案する。 入力特性が異なるため、これらの2つのメカニズムは自動的に空間スケールと時間スケールを調整できる。 ECパブリックデータセットの実験では、8つの公開されたBCoPメソッドと比較して、STASはいくつかの基準で最先端のパフォーマンスを示す。 さらに,SFM/TFMはBCoPの性能,特に降水量の増加に有効であることを示す。

関連論文リスト

• Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region [62.09891513612252]
  地域レベルのダウンストリームタスクに特化して、リミテッド・エリア・モデリングに焦点を合わせ、モデルをトレーニングします。 我々は,気象予報が水資源の管理,農業,極度の気象事象の影響軽減に重要であるという,気象学的課題からMENA地域を考察する。 本研究では,パラメータ効率のよい微調整手法,特にローランド適応(LoRA)とその変種を統合することの有効性を検証することを目的とした。
  論文  参考訳（メタデータ） (2024-09-11T19:31:56Z)
• STAA: Spatio-Temporal Alignment Attention for Short-Term Precipitation Forecasting [9.177158814568887]
  SATAを時間的アライメントモジュールとし、STAUを時間的アライメント特徴抽出器とする、時間的アライメントに基づく短期降水予測モデル。 衛星データとERA5データに基づいて、我々のモデルはRMSEの12.61%の改善を達成し、最先端の手法と比較した。
  論文  参考訳（メタデータ） (2024-09-06T10:28:52Z)
• Uncertainty-aware segmentation for rainfall prediction post processing [0.7646713951724011]
  日次累積降水量の予測を後処理するための不確実性を考慮した深層学習モデルについて検討する。 本研究では,様々な最先端モデルを比較し,よく知られたSDE-Netの変種を提案する。 その結果,すべてのディープラーニングモデルは,平均的ベースラインNWPソリューションよりも有意に優れていた。
  論文  参考訳（メタデータ） (2024-08-28T16:31:40Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Site-specific Deterministic Temperature and Humidity Forecasts with Explainable and Reliable Machine Learning [0.0]
  近年の機械学習の発展により、この問題に対する新しいアプローチとしてMLを適用することへの関心が高まっている。 我々は'Multi-SiteBoost'という名前のワーキングMLフレームワークを開発し、初期テストの結果はバイアス補正NWPモデルのグリッド値と比較して大幅に改善された。
  論文  参考訳（メタデータ） (2024-04-04T09:12:13Z)
• A Temporal Stochastic Bias Correction using a Machine Learning Attention model [0.0]
  バイアス補正(BC)法は、時間的バイアスを調整するのに苦労する。 BCメソッドは、主に連続した時間ポイント間の依存を無視します。 これにより、このような気候統計に関する信頼性の高い影響研究がより困難になる。
  論文  参考訳（メタデータ） (2024-02-21T23:18:03Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• Attention-Based Ensemble Pooling for Time Series Forecasting [55.2480439325792]
  本稿では,候補モデル予測よりも重み付き平均値を実行するプーリング法を提案する。 本手法は,非定常ロレンツ63方程式の動力学の多段階予測と,COVID-19による週次死亡事故の1段階予測という2つの時系列予測問題に対して試行する。
  論文  参考訳（メタデータ） (2023-10-24T22:59:56Z)
• Sample-Efficient Optimisation with Probabilistic Transformer Surrogates [66.98962321504085]
  本稿では,ベイズ最適化における最先端確率変換器の適用可能性について検討する。 トレーニング手順と損失定義から生じる2つの欠点を観察し、ブラックボックス最適化のプロキシとして直接デプロイすることを妨げる。 1)非一様分散点を前処理するBO調整トレーニング,2)予測性能を向上させるために最適な定常点をフィルタする新しい近似後正則整定器トレードオフ精度と入力感度を導入する。
  論文  参考訳（メタデータ） (2022-05-27T11:13:17Z)
• Semiparametric Bayesian Forecasting of Spatial Earthquake Occurrences [77.68028443709338]
  本稿では, Epidemic Type Aftershock Sequence (ETAS) モデルのベイズ的完全定式化を提案する。 地理的領域における主震の発生は不均一な空間的点過程に従うと仮定される。
  論文  参考訳（メタデータ） (2020-02-05T10:11:26Z)
• Machine learning for total cloud cover prediction [0.0]
  本稿では,多層パーセプトロン(MLP)ニューラルネットワーク,勾配促進機(GBM)およびランダムフォレスト(RF)法を用いた後処理の性能について検討する。 生のアンサンブルと比較して、全ての校正法は予測スキルを著しく向上させる。 RFモデルは予測性能が最小となる一方、POLRとGBMのアプローチは最良である。
  論文  参考訳（メタデータ） (2020-01-16T17:13:37Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。