論文の概要: Sub-Seasonal Climate Forecasting via Machine Learning: Challenges, Analysis, and Advances

• arxiv url: http://arxiv.org/abs/2006.07972v2
• Date: Wed, 24 Jun 2020 15:27:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-21 09:59:23.023806
• Title: Sub-Seasonal Climate Forecasting via Machine Learning: Challenges, Analysis, and Advances
• Title（参考訳）: 機械学習によるサブシーズン気候予測:課題、分析、進歩
• Authors: Sijie He, Xinyan Li, Timothy DelSole, Pradeep Ravikumar, Arindam Banerjee
• Abstract要約: サブシーズン気候予報(SSF)は、気温や降水量などの主要な気候変数を2週間から2ヶ月の時間スケールで予測することに焦点を当てている。 本稿では,米国本土におけるSSFのための機械学習(ML)アプローチについて検討する。
• 参考スコア（独自算出の注目度）: 44.28969320556008
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sub-seasonal climate forecasting (SSF) focuses on predicting key climate variables such as temperature and precipitation in the 2-week to 2-month time scales. Skillful SSF would have immense societal value, in areas such as agricultural productivity, water resource management, transportation and aviation systems, and emergency planning for extreme weather events. However, SSF is considered more challenging than either weather prediction or even seasonal prediction. In this paper, we carefully study a variety of machine learning (ML) approaches for SSF over the US mainland. While atmosphere-land-ocean couplings and the limited amount of good quality data makes it hard to apply black-box ML naively, we show that with carefully constructed feature representations, even linear regression models, e.g., Lasso, can be made to perform well. Among a broad suite of 10 ML approaches considered, gradient boosting performs the best, and deep learning (DL) methods show some promise with careful architecture choices. Overall, suitable ML methods are able to outperform the climatological baseline, i.e., predictions based on the 30-year average at a given location and time. Further, based on studying feature importance, ocean (especially indices based on climatic oscillations such as El Nino) and land (soil moisture) covariates are found to be predictive, whereas atmospheric covariates are not considered helpful.
• Abstract（参考訳）: サブシーズン気候予報(SSF)は、気温や降水量などの主要な気候変数を2週間から2ヶ月の時間スケールで予測することに焦点を当てている。 熟練したSSFは、農業生産性、水資源管理、輸送と航空システム、極端な気象イベントの緊急計画など、大きな社会的価値を持つだろう。 しかし、SSFは天気予報や季節予報よりも難しいと考えられている。 本稿では,米国本土におけるSSFのための機械学習(ML)アプローチについて,慎重に検討する。 大気-海洋間結合と品質データ量の制限によりブラックボックスMLを直感的に適用することは困難であるが、注意深く構成された特徴表現では、例えばラッソのような線形回帰モデルでさえもうまく機能することが示される。 検討された10のMLアプローチのうち、勾配向上が最善であり、ディープラーニング(DL)メソッドはアーキテクチャの選択を慎重に行うことを約束している。 全体として、適切なML手法は、気候基準、すなわち、所定の場所と時間における30年間の平均に基づく予測を上回ることができる。 さらに,海洋(特にエルニーニョのような気候振動に基づく指標)と土地(土壌水分)の共変量は予測可能であるのに対し,大気の共変量は役に立たないと考えられる。

関連論文リスト

• FengWu-W2S: A deep learning model for seamless weather-to-subseasonal forecast of global atmosphere [53.22497376154084]
  本研究では,FengWuグローバル気象予報モデルに基づくFengWu-Weather to Subseasonal (FengWu-W2S)を提案する。 我々は,FengWu-W2Sが大気環境を3～6週間先まで確実に予測し,マデン・ジュリア振動 (MJO) や北大西洋振動 (NAO) などの地球表面温度, 降水量, 地磁気高度, 季節内信号の予測能力を向上させることを実証した。 日時から季節時の予測誤差成長に関するアブレーション実験
  論文  参考訳（メタデータ） (2024-11-15T13:44:37Z)
• 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)
• Applications of machine learning to predict seasonal precipitation for East Africa [0.0]
  大規模な気候変動は、局所的または地域的温度または降水と線形または非線型な方法で関連付けられている。 本稿では,東アフリカにおける季節降水量の予測に解釈可能なML手法を用いることを検討した。
  論文  参考訳（メタデータ） (2024-09-10T06:16:03Z)
• Lightning-Fast Convective Outlooks: Predicting Severe Convective Environments with Global AI-based Weather Models [0.08271752505511926]
  激しい対流嵐は最も危険な気象現象であり、正確な予測は影響を緩和する。 最近リリースされたAIベースの天気モデルスイートは、中距離の予測を数秒で生成する。 本稿では,再解析とECMWFの運用数値天気予報モデルISSに対して,対流パラメータを対象とした3つのAIモデルの予測能力を評価する。
  論文  参考訳（メタデータ） (2024-06-13T07:46:03Z)
• Validating Deep-Learning Weather Forecast Models on Recent High-Impact Extreme Events [0.1747623282473278]
  気象予報モデルとECMWFの高分解能予測(HRES)システムを3つのケーススタディで比較した。 我々は,機械学習の天気予報モデルが,記録破りイベントにおけるHRESと類似の精度を達成できることを示す。 しかし、極端な条件への外挿は、機械学習モデルにHRESよりも深刻な影響を及ぼす可能性がある。
  論文  参考訳（メタデータ） (2024-04-26T18:18:25Z)
• FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather Forecasting [56.73502043159699]
  この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。 低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。 2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-01-28T13:23:25Z)
• Neural General Circulation Models for Weather and Climate [7.545206238427117]
  一般的な循環モデル(GCM)は、気象と気候予測の基礎である。 本稿では,大気力学の微分可能解法とML成分を組み合わせた最初のGCMを提案する。 決定論的気象,アンサンブル気象,気候の予測を,機械学習や物理に基づく最良の手法と同等に生成できることを示す。
  論文  参考訳（メタデータ） (2023-11-13T10:40:17Z)
• Reducing Uncertainty in Sea-level Rise Prediction: A Spatial-variability-aware Approach [4.32583920500711]
  本稿では,空間的変動とモデル間依存性に対処する空間回帰モデルを提案する。 実験結果から,本手法により得られた重みを地域規模でより信頼性の高い予測を行うことができた。
  論文  参考訳（メタデータ） (2023-10-19T02:13:38Z)
• ClimaX: A foundation model for weather and climate [51.208269971019504]
  ClimaXは気象と気候科学のディープラーニングモデルである。 気候データセットの自己教師型学習目標で事前トレーニングすることができる。 気候や気候の様々な問題に対処するために、微調整が可能である。
  論文  参考訳（メタデータ） (2023-01-24T23:19:01Z)
• Forecasting large-scale circulation regimes using deformable convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
  変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討 今後1～15日にわたって北大西洋-欧州の気象条件を予測した。 より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
  論文  参考訳（メタデータ） (2022-02-10T11:37:00Z)

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。