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
- A Temporal 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、連続するタイムポイント間の依存を無視します。
私たちは、時間的バイアスを修正するための新しいBC方法論を提供しています。
論文 参考訳(メタデータ) (2024-02-21T23:18:03Z) - ExtremeCast: Boosting Extreme Value Prediction for Global Weather
Forecast [61.138475638813354]
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,ExEnsembleという名称のトレーニングフリーな極値拡張戦略を導入し,画素値のばらつきを増大させ,予測ロバスト性を向上させる。
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) - Score Matching-based Pseudolikelihood Estimation of Neural Marked
Spatio-Temporal Point Process with Uncertainty Quantification [59.81904428056924]
我々は、不確実な定量化を伴うmarkPsを学習するためのスコアMAtching推定器であるSMASHを紹介する。
具体的には,スコアマッチングによるマークPsの擬似的類似度を推定することにより,正規化自由度を推定する。
提案手法の優れた性能は、事象予測と不確実性定量化の両方において広範な実験によって実証される。
論文 参考訳(メタデータ) (2023-10-25T02:37:51Z) - 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) - Statistical post-processing of visibility ensemble forecasts [0.0]
局所的,半局所的,局所的に訓練された比例確率対数回帰(POLR)と多層パーセプトロン(MLP)ニューラルネットワーク分類器の予測性能について検討した。
気候学的な予測は生のアンサンブルを広いマージンで上回るが、後処理により予測スキルが大幅に向上することを示した。
論文 参考訳(メタデータ) (2023-05-24T16:41:36Z) - A Machine Learning Outlook: Post-processing of Global Medium-range
Forecasts [0.0]
後処理は通常、数値気象予測(NWP)モデルの出力を受け取り、線形統計手法を適用する。
本研究では, 温度850hPaで7日間の予測において, 最大12%(RMSE)の精度向上を達成できることを示す。
我々は、ルート平均二乗誤差 (RMSE) や異常相関係数 (ACC) といった標準メトリクスを使用する際の課題について議論する。
論文 参考訳(メタデータ) (2023-03-28T20:48:01Z) - A Deep Learning Method for Real-time Bias Correction of Wind Field
Forecasts in the Western North Pacific [24.287588853356972]
2020年12月から2021年11月までにECから10日間の風速予測のための実時間転動バイアス補正を行った。
風速と風向バイアスはそれぞれ8-11%,9-14%減少した。
論文 参考訳(メタデータ) (2022-12-29T02:58:12Z) - 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) - When in Doubt: Neural Non-Parametric Uncertainty Quantification for
Epidemic Forecasting [70.54920804222031]
既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。
不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。
本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
論文 参考訳(メタデータ) (2021-06-07T18:31:47Z) - 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。