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
- Efficient Subseasonal Weather Forecast using Teleconnection-informed
Transformers [29.33938664834226]
季節的な予測は農業、水資源管理、災害の早期警戒に重要である。
機械学習の最近の進歩は、数値モデルに対する競争力のある予測能力を達成することで天気予報に革命をもたらした。
しかし、そのような基礎モデルのトレーニングには何千日ものGPU日が必要であるため、かなりの炭素排出量が発生する。
論文 参考訳(メタデータ) (2024-01-31T14:27:35Z) - 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) - Residual Diffusion Modeling for Km-scale Atmospheric Downscaling [51.061954281398116]
台湾上空2kmの高解像度気象モデルを用いて,コスト効率の低いダウンスケーリングモデルを訓練した。
textitCorrDiffは、RMSEとCRPSを巧みに表現し、極端な場合でもスペクトルと分布を忠実に回復する。
グローバルな予測のスケールダウンは、これらのメリットの多くを成功裏に維持し、マシンラーニングの天気予報のエンドツーエンドなグローバルなスケールの可能性を先導する。
論文 参考訳(メタデータ) (2023-09-24T19:57:22Z) - Long-term drought prediction using deep neural networks based on
geospatial weather data [78.63225885697149]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。
多様な時間的ニューラルネットワークモデルを用いたエンドツーエンドアプローチを導入することで、干ばつデータに対処する。
主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文 参考訳(メタデータ) (2023-09-12T13:28:06Z) - Intelligent model for offshore China sea fog forecasting [0.7503129292751938]
本研究は, 数値気象予報モデルに埋もれた深海霧予測手法を開発することを目的とする。
本研究では,海霧発生の要因を解明するために,時間差相関解析手法を用いて鍵予測器を同定し,そのメカニズムを解明する。
提案手法の精度を検証するため,1年にわたる包括的データセットを用いて評価を行った。
論文 参考訳(メタデータ) (2023-07-20T04:46:34Z) - 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。