論文の概要: Statistical post-processing of wind speed forecasts using convolutional neural networks

• arxiv url: http://arxiv.org/abs/2007.04005v2
• Date: Fri, 8 Jan 2021 11:49:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-12 12:46:55.114801
• Title: Statistical post-processing of wind speed forecasts using convolutional neural networks
• Title（参考訳）: 畳み込みニューラルネットワークを用いた風速予測の統計的後処理
• Authors: Simon Veldkamp, Kirien Whan, Sjoerd Dirksen and Maurice Schmeits
• Abstract要約: 我々は、畳み込みニューラルネットワーク(CNN)を用いて空間風速情報を使用し、48時間前にオランダで確率的風速予測を行う。 CNNは、完全に連結されたニューラルネットワークや量子回帰林の予測よりも、中から高い風速のブライアスキルスコアと、より優れた連続的なランク付け確率スコア(CRPS)と対数スコアを持つ。
• 参考スコア（独自算出の注目度）: 0.7646713951724009
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current statistical post-processing methods for probabilistic weather forecasting are not capable of using full spatial patterns from the numerical weather prediction (NWP) model. In this paper we incorporate spatial wind speed information by using convolutional neural networks (CNNs) and obtain probabilistic wind speed forecasts in the Netherlands for 48 hours ahead, based on KNMI's deterministic Harmonie-Arome NWP model. The probabilistic forecasts from the CNNs are shown to have higher Brier skill scores for medium to higher wind speeds, as well as a better continuous ranked probability score (CRPS) and logarithmic score, than the forecasts from fully connected neural networks and quantile regression forests. As a secondary result, we have compared the CNNs using 3 different density estimation methods (quantized softmax (QS), kernel mixture networks, and fitting a truncated normal distribution), and found the probabilistic forecasts based on the QS method to be best.
• Abstract（参考訳）: 確率的気象予報のための現在の統計後処理方法は、数値気象予報(nwp)モデルから完全な空間パターンを利用できない。 本稿では,KNMIの決定論的ハーモニー・アロームNWPモデルに基づいて,畳み込みニューラルネットワーク(CNN)を用いて空間風速情報を組み込んで,48時間前にオランダで確率的風速予測を行う。 cnnからの確率的予測は、完全連結ニューラルネットワークや分位回帰森林の予測よりも、中流から高風速のブライヤスキルスコアが高く、連続的なランク付け確率スコア(crps)や対数スコアも高いことが示されている。 二次的な結果として、CNNを3つの異なる密度推定法(量子化ソフトマックス(QS)、カーネル混合ネットワーク、および切り離された正規分布の適合)を用いて比較し、QS法に基づく確率予測が最適であることを示した。

関連論文リスト

• Generative ensemble deep learning severe weather prediction from a deterministic convection-allowing model [0.0]
  コンボリューション・ニューラル・ネットワーク(CNN)とコンボリューション・コンボリューション・アロイング・モデル(CAM)予測を併用する。 CGANは決定論的CAM予測から合成アンサンブルメンバーを作成するように設計されている。 この手法は,BSS(Brier Skill Score)を最大20%の精度で予測できる。
  論文  参考訳（メタデータ） (2023-10-09T18:02:11Z)
• Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
  深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。 MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。 MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
  論文  参考訳（メタデータ） (2023-06-06T07:07:54Z)
• A predictive physics-aware hybrid reduced order model for reacting flows [65.73506571113623]
  反応流問題の解法として,新しいハイブリッド型予測次数モデル (ROM) を提案する。 自由度は、数千の時間的点から、対応する時間的係数を持ついくつかのPODモードへと減少する。 時間係数を予測するために、2つの異なるディープラーニングアーキテクチャがテストされている。
  論文  参考訳（メタデータ） (2023-01-24T08:39:20Z)
• Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast [91.9372563527801]
  我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。 初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。 Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
  論文  参考訳（メタデータ） (2022-11-03T17:19:43Z)
• 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)
• Probabilistic Time Series Forecasting with Implicit Quantile Networks [0.7249731529275341]
  自己回帰的リカレントニューラルネットワークとインプリシット量子ネットワークを併用して、時系列ターゲット上の大規模な分布を学習する。 提案手法は, 時間分布の推定だけでなく, ポイントワイズ予測精度の観点からも好適である。
  論文  参考訳（メタデータ） (2021-07-08T10:37:24Z)
• Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
  本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。 我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。 実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
  論文  参考訳（メタデータ） (2021-05-25T14:35:46Z)
• Post-processing Multi-Model Medium-Term Precipitation Forecasts Using Convolutional Neural Networks [0.0]
  画素単位の予測を後処理する代わりに、入力予測画像を組み合わせ、完全な畳み込みニューラルネットワークを用いて確率的出力予測画像に変換する。 CNNは正規化ロジスティック回帰を上回りませんでした。
  論文  参考訳（メタデータ） (2021-05-14T19:30:48Z)
• A computationally efficient neural network for predicting weather forecast probabilities [0.0]
  ニューラルネットワークを用いて1つの出力値ではなく確率密度関数を予測するという,新しいアプローチを採用する。 これにより、ニューラルネットワーク予測における不確実性とスキルメトリクスの両方の計算が可能になる。 このアプローチは純粋にデータ駆動であり、ニューラルネットワークはWeatherBenchデータセット上で訓練される。
  論文  参考訳（メタデータ） (2021-03-26T12:28:15Z)
• Deep Networks for Direction-of-Arrival Estimation in Low SNR [89.45026632977456]
  我々は,真の配列多様体行列の変異チャネルデータから学習した畳み込みニューラルネットワーク(CNN)を導入する。 我々は低SNR体制でCNNを訓練し、すべてのSNRでDoAを予測する。 私たちの堅牢なソリューションは、ワイヤレスアレイセンサーから音響マイクロフォンやソナーまで、いくつかの分野に適用できます。
  論文  参考訳（メタデータ） (2020-11-17T12:52:18Z)

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。