論文の概要: Using an expert deviation carrying the knowledge of climate data in
usual clustering algorithms
- arxiv url: http://arxiv.org/abs/2006.05603v1
- Date: Wed, 10 Jun 2020 01:42:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-23 05:07:59.863130
- Title: Using an expert deviation carrying the knowledge of climate data in
usual clustering algorithms
- Title(参考訳): 通常クラスタリングアルゴリズムにおける気候データ知識を用いたエキスパート偏差の利用
- Authors: Emmanuel Biabiany, Vincent Page, Didier Bernard, H\'el\`ene
Paugam-Moisy
- Abstract要約: 風速と累積降雨データセットのクラスタリング解析を用いて,時間的アルゴリズムを同定する。
従来のクラスタリング手法でL2ノルムを用いることで、望ましくない効果がもたらされることを示す。
我々は、Euclidean distanceL (2) をExpert Cluster Deviation (ED) という異種度尺度で置き換えることを提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: In order to help physicists to expand their knowledge of the climate in the
Lesser Antilles, we aim to identify the spatio-temporal configurations using
clustering analysis on wind speed and cumulative rainfall datasets. But we show
that using the L2 norm in conventional clustering methods as K-Means (KMS) and
Hierarchical Agglomerative Clustering (HAC) can induce undesirable effects. So,
we propose to replace Euclidean distance (L2) by a dissimilarity measure named
Expert Deviation (ED). Based on the symmetrized Kullback-Leibler divergence,
the ED integrates the properties of the observed physical parameters and
climate knowledge. This measure helps comparing histograms of four patches,
corresponding to geographical zones, that are influenced by atmospheric
structures. The combined evaluation of the internal homogeneity and the
separation of the clusters obtained using ED and L2 was performed. The results,
which are compared using the silhouette index, show five clusters with high
indexes. For the two available datasets one can see that, unlike KMS-L2, KMS-ED
discriminates the daily situations favorably, giving more physical meaning to
the clusters discovered by the algorithm. The effect of patches is observed in
the spatial analysis of representative elements for KMS-ED. The ED is able to
produce different configurations which makes the usual atmospheric structures
clearly identifiable. Atmospheric physicists can interpret the locations of the
impact of each cluster on a specific zone according to atmospheric structures.
KMS-L2 does not lead to such an interpretability, because the situations
represented are spatially quite smooth. This climatological study illustrates
the advantage of using ED as a new approach.
- Abstract(参考訳): 風速と累積降雨データセットのクラスタリング分析を用いて,気候に関する知識をより少ないアンティルで拡張するために,時空間構成を同定することを目的としている。
しかし,従来のクラスタリング手法では,K-Means (KMS) や階層的集約クラスタリング (HAC) としてL2ノルムを用いることで,望ましくない効果がもたらされることが示されている。
そこで本稿では,Euclidean distance (L2) をExpert Deviation (ED) という異種性尺度で置き換えることを提案する。
シンメトリフィケーションされたクルバック・リーバーの発散に基づいて、EDは観測された物理パラメータと気候知識の特性を統合する。
この測定は、大気構造に影響された4つのパッチのヒストグラムを比較するのに役立つ。
EDおよびL2を用いて得られた内部均一性の評価とクラスターの分離を行った。
結果はシルエット指数を用いて比較され、高い指数を持つ5つのクラスターを示す。
2つの利用可能なデータセットでは、KMS-L2とは異なり、KMS-EDは日々の状況を適切に識別し、アルゴリズムによって発見されたクラスタにより物理的な意味を与える。
KMS-EDの代表要素の空間解析においてパッチの効果が観察された。
EDは、通常の大気構造を明確に識別できる様々な構成を作成できる。
大気物理学者は、大気構造に応じて各クラスターの特定のゾーンにおける衝突の位置を解釈することができる。
KMS-L2は、空間的に非常に滑らかな状況であるため、そのような解釈可能性をもたらすことはない。
この気候学的研究は、EDを新しいアプローチとして使う利点を示している。
関連論文リスト
- Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳(メタデータ) (2024-01-22T14:02:56Z) - A Heat Diffusion Perspective on Geodesic Preserving Dimensionality
Reduction [66.21060114843202]
熱測地線埋め込みと呼ばれるより一般的な熱カーネルベースの多様体埋め込み法を提案する。
その結果,本手法は,地中真理多様体距離の保存において,既存の技術よりも優れていることがわかった。
また,連続体とクラスタ構造を併用した単一セルRNAシークエンシングデータセットに本手法を適用した。
論文 参考訳(メタデータ) (2023-05-30T13:58:50Z) - AWT -- Clustering Meteorological Time Series Using an Aggregated Wavelet
Tree [9.470649284657483]
AWTは時系列データのためのクラスタリングアルゴリズムであり、クラスタリング中に暗黙のアウトリア検出を行う。
ウィーン市からの1時間分解能でクラウドソース2mの温度データにAWTを適用し,異常値を検出する。
その結果,AWTでは,外乱検出と土地利用特性への暗黙マッピングが可能であることがわかった。
論文 参考訳(メタデータ) (2022-12-13T15:25:29Z) - Spatiotemporal k-means [63.230991774875044]
時空間クラスタリングは、人間の監督なしに動く物体のパターンや傾向を効率的に発見する必要性に対処する。
データクラスタ内のマルチテンポラリな関係を解析できるSTKMを提案する。
STKMは,特に低データ領域において,既存の手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2022-11-10T04:40:31Z) - Weather2vec: Representation Learning for Causal Inference with Non-Local
Confounding in Air Pollution and Climate Studies [3.0616624345970975]
空間的変化による介入の因果効果の推定は非局所的結束(NLC)の影響を受ける可能性がある
本稿では、まず、潜在的な結果の枠組みを用いてNLCを定式化し、因果干渉の関連する現象と比較する。
次に,非局所的な情報の表現を学習するために,スコアのバランスの理論を用いる「ウェザー2ベック」と呼ばれる,広く適用可能なフレームワークを提案する。
論文 参考訳(メタデータ) (2022-09-25T20:40:19Z) - Information Entropy Initialized Concrete Autoencoder for Optimal Sensor
Placement and Reconstruction of Geophysical Fields [58.720142291102135]
そこで本稿では,スパーク計測による地場再構成のためのセンサ配置の最適化について提案する。
本研究では, (a) 温度と (b) バレンツ海周辺の塩分濃度場とスバルバルド諸島群を例に示す。
得られた最適センサ位置は, 物理的解釈が明確であり, 海流の境界に対応することが判明した。
論文 参考訳(メタデータ) (2022-06-28T12:43:38Z) - Deep Learning Models of the Discrete Component of the Galactic
Interstellar Gamma-Ray Emission [61.26321023273399]
H2星間ガス中の小さな(あるいは離散的な)構造からの重要な点状成分がフェルミ・LATデータに存在する可能性がある。
深層学習は、これらの稀なH2プロキシによって追跡されるガンマ線放射を、データ豊富な領域において統計的に有意な範囲でモデル化するために効果的に利用される可能性がある。
論文 参考訳(メタデータ) (2022-06-06T18:00:07Z) - Perfect Spectral Clustering with Discrete Covariates [68.8204255655161]
本稿では,大規模なスパースネットワークのクラスにおいて,高い確率で完全クラスタリングを実現するスペクトルアルゴリズムを提案する。
本手法は,スペクトルクラスタリングによる一貫した潜在構造回復を保証する最初の方法である。
論文 参考訳(メタデータ) (2022-05-17T01:41:06Z) - Predicting Solar Energetic Particles Using SDO/HMI Vector Magnetic Data
Products and a Bidirectional LSTM Network [6.759687230043489]
太陽エネルギー粒子(SEP)は宇宙放射線の重要な源であり、宇宙、宇宙船、技術全般において人類にとって危険である。
本研究では,活動領域(AR)がSEPイベントを発生させるかどうかを,(i)ARがM型またはX型フレアを発生し,(ii)ARがM型またはX型フレアを発生させるか,(ii)ARがCMEに関連付けられているかどうかに関わらずM型またはX型フレアを発生させるかを予測する深層学習手法を提案する。
論文 参考訳(メタデータ) (2022-03-27T21:06:08Z) - Sparse Generalized Yule-Walker Estimation for Large Spatio-temporal
Autoregressions with an Application to NO2 Satellite Data [0.0]
高次元モデルのクラスをスパース推定する。
我々は,ユル=ヴァルカー方程式の集合をペナルティ化することにより,空間的および時間的依存を完全駆動的に支配する関係を推定する。
衛星シミュレーションは、競合する手順と比較して強い有限サンプル性能を示す。
論文 参考訳(メタデータ) (2021-08-05T21:51:45Z) - Coarse-Grain Cluster Analysis of Tensors with Application to Climate
Biome Identification [0.27998963147546146]
離散ウェーブレット変換を用いて、粗粒化がクラスタリングテンソルデータに与える影響を分析する。
我々は特に、地球の気候システムのスケール効果のクラスター化について理解することに興味を持っている。
論文 参考訳(メタデータ) (2020-01-22T00:28:58Z)
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。