論文の概要: Deep Learning for Post-Processing Ensemble Weather Forecasts

• arxiv url: http://arxiv.org/abs/2005.08748v2
• Date: Mon, 21 Sep 2020 11:08:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-01 23:11:50.578266
• Title: Deep Learning for Post-Processing Ensemble Weather Forecasts
• Title（参考訳）: 処理後の天気予報のための深層学習
• Authors: Peter Gr\"onquist, Chengyuan Yao, Tal Ben-Nun, Nikoli Dryden, Peter Dueben, Shigang Li, Torsten Hoefler
• Abstract要約: 深層ニューラルネットワークを用いた後処理ステップと組み合わせて,元来の天気トラジェクトリのサブセットのみを使用する混合モデルを提案する。 我々の後処理では,全アンサンブルに匹敵する結果を得るために,より少ないトラジェクトリを使用できることを示す。
• 参考スコア（独自算出の注目度）: 14.622977874836298
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantifying uncertainty in weather forecasts is critical, especially for predicting extreme weather events. This is typically accomplished with ensemble prediction systems, which consist of many perturbed numerical weather simulations, or trajectories, run in parallel. These systems are associated with a high computational cost and often involve statistical post-processing steps to inexpensively improve their raw prediction qualities. We propose a mixed model that uses only a subset of the original weather trajectories combined with a post-processing step using deep neural networks. These enable the model to account for non-linear relationships that are not captured by current numerical models or post-processing methods. Applied to global data, our mixed models achieve a relative improvement in ensemble forecast skill (CRPS) of over 14%. Furthermore, we demonstrate that the improvement is larger for extreme weather events on select case studies. We also show that our post-processing can use fewer trajectories to achieve comparable results to the full ensemble. By using fewer trajectories, the computational costs of an ensemble prediction system can be reduced, allowing it to run at higher resolution and produce more accurate forecasts.
• Abstract（参考訳）: 天気予報の不確実性の定量化は、特に極端な天気予報において重要である。 これは典型的には、多くの摂動式数値気象シミュレーション、あるいは軌道を並列に実行するアンサンブル予測システムによって達成される。 これらのシステムは高い計算コストと結び付きがあり、しばしば統計的な処理後ステップを伴って生の予測品質を安価に改善する。 深層ニューラルネットワークを用いた後処理ステップと組み合わせて,元来の天気トラジェクトリのサブセットのみを使用する混合モデルを提案する。 これにより、現在の数値モデルや後処理法では捉えられない非線形関係をモデルが考慮できる。 グローバルデータに適用すると,混合モデルは14%以上のアンサンブル予測スキル(crps)の相対的改善を達成している。 さらに,特定事例研究における極度気象事象に対する改善効果も大きいことを示した。 また,我々のポストプロセッシングは,完全なアンサンブルに匹敵する結果を達成するために,より少ないトラジェクタを使用できることを示した。 より少ないトラジェクトリを使用することで、アンサンブル予測システムの計算コストを削減し、より高い解像度で実行し、より正確な予測を生成することができる。

関連論文リスト

• PostCast: Generalizable Postprocessing for Precipitation Nowcasting via Unsupervised Blurriness Modeling [85.56969895866243]
  本稿では,ぼやけた予測とそれに対応する土台真実のペアによるトレーニングを必要とせずに,ぼやけを解消するための教師なしポストプロセッシング手法を提案する。 非条件相関を任意のぼかしモードに適応させるため、ゼロショットのぼかしカーネル推定機構とオートスケールの denoise ガイダンス戦略を導入する。
  論文  参考訳（メタデータ） (2024-10-08T08:38:23Z)
• Continuous Ensemble Weather Forecasting with Diffusion models [10.730406954385927]
  連続アンサンブル予測は拡散モデルにおけるアンサンブル予測をサンプリングするための新しいフレキシブルな手法である。 時間的に一貫したアンサンブル軌道を、自動回帰ステップなしで完全に並列に生成することができる。 本手法は, 確率特性のよいグローバル気象予報において, 競争力のある結果が得られることを示す。
  論文  参考訳（メタデータ） (2024-10-07T18:51:23Z)
• Forecast-PEFT: Parameter-Efficient Fine-Tuning for Pre-trained Motion Forecasting Models [68.23649978697027]
  Forecast-PEFTは、モデルのパラメータの大部分を凍結し、新しく導入されたプロンプトとアダプタの調整に集中する微調整戦略である。 実験の結果,Forecast-PEFTは動作予測タスクにおいて従来のフルチューニング手法よりも優れていた。 Forecast-FTは予測性能をさらに改善し、従来のベースライン法よりも最大9.6%向上した。
  論文  参考訳（メタデータ） (2024-07-28T19:18:59Z)
• Improving probabilistic forecasts of extreme wind speeds by training statistical post-processing models with weighted scoring rules [0.0]
  閾値重み付き連続ランク確率スコア(twCRPS)を用いたトレーニングは、後処理モデルの極端なイベント性能を向上させる。 極端事象の確率論的予測の性能が向上し,分布物体の予測性能が低下する分布体テールトレードオフが発見された。
  論文  参考訳（メタデータ） (2024-07-22T11:07:52Z)
• Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
  本稿では,天気予報をより微細なテンポラルスケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。 具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。 我々は、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-05-22T16:21:02Z)
• 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)
• Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
  本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。 提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
  論文  参考訳（メタデータ） (2023-11-30T08:22:08Z)
• SEEDS: Emulation of Weather Forecast Ensembles with Diffusion Models [13.331224394143117]
  不確かさの定量化は意思決定に不可欠である。 天気予報の不確実性を表す主要なアプローチは、予測の集合を生成することです。 本稿では,これらの予測を歴史的データから学習した深部生成拡散モデルを用いてエミュレートし,計算コストを補正することを提案する。
  論文  参考訳（メタデータ） (2023-06-24T22:00:06Z)
• Forecast reconciliation for vaccine supply chain optimization [61.13962963550403]
  ワクチンサプライチェーン最適化は階層的な時系列予測の恩恵を受けることができる。 異なる階層レベルの予測は、上位レベルの予測が下位レベルの予測の総和と一致しないときに不整合となる。 我々は2010年から2021年にかけてのGSKの販売データを階層的時系列としてモデル化し,ワクチン販売予測問題に取り組む。
  論文  参考訳（メタデータ） (2023-05-02T14:34:34Z)
• Towards replacing precipitation ensemble predictions systems using machine learning [0.0]
  本研究では,高分解能降水に対するアンサンブル気象予測のための新しい手法を提案する。 本手法は,複雑な降水パターンを学習するために生成的対向ネットワークを用いる。 本研究では, 未確認高解像度の降水アンサンブル部材の現実的な生成の可能性を示す。
  論文  参考訳（メタデータ） (2023-04-20T12:20:35Z)
• Machine learning methods for postprocessing ensemble forecasts of wind gusts: A systematic comparison [0.0]
  系統的な誤りを正すためにアンサンブルの天気予報を後処理することは、研究や運用において標準的な慣行となっている。 本稿では,確率論的風速予測のための8つの統計的および機械学習手法の総合的なレビューと体系的比較を行う。 本稿では,様々な確率予測型を出力とする局所適応型ニューラルネットワークの柔軟なフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-17T14:03:29Z)

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。