論文の概要: Statistical Downscaling of Temperature Distributions from the Synoptic
Scale to the Mesoscale Using Deep Convolutional Neural Networks
- arxiv url: http://arxiv.org/abs/2007.10839v1
- Date: Mon, 20 Jul 2020 06:24:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-08 13:31:16.644388
- Title: Statistical Downscaling of Temperature Distributions from the Synoptic
Scale to the Mesoscale Using Deep Convolutional Neural Networks
- Title(参考訳): 深部畳み込みニューラルネットワークを用いた合成スケールからメソスケールへの温度分布の統計的ダウンスケーリング
- Authors: Tsuyoshi Thomas Sekiyama
- Abstract要約: 有望な応用の1つは、低分解能ダイナミックモデルの出力画像を高分解能画像に変換する統計的代理モデルを開発することである。
本研究では,6時間毎に合成温度場をメソスケール温度場にダウンスケールする代理モデルについて検討した。
代理モデルが短時間で実施されれば、高解像度の天気予報ガイダンスや環境緊急警報を低コストで提供する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning, particularly convolutional neural networks for image
recognition, has been recently used in meteorology. One of the promising
applications is developing a statistical surrogate model that converts the
output images of low-resolution dynamic models to high-resolution images. Our
study exhibits a preliminary experiment that evaluates the performance of a
model that downscales synoptic temperature fields to mesoscale temperature
fields every 6 hours. The deep learning model was trained with operational
22-km gridded global analysis surface winds and temperatures as the input,
operational 5-km gridded regional analysis surface temperatures as the desired
output, and a target domain covering central Japan. The results confirm that
our deep convolutional neural network (DCNN) is capable of estimating the
locations of coastlines and mountain ridges in great detail, which are not
retained in the inputs, and providing high-resolution surface temperature
distributions. For instance, while the average root-mean-square error (RMSE) is
2.7 K between the global and regional analyses at altitudes greater than 1000
m, the RMSE is reduced to 1.0 K, and the correlation coefficient is improved
from 0.6 to 0.9 by the surrogate model. Although this study evaluates a
surrogate model only for surface temperature, it probably can be improved by
augmenting the downscaling variables and vertical profiles. Surrogate models of
DCNNs require only a small amount of computational power once their training is
finished. Therefore, if the surrogate models are implemented at short time
intervals, they will provide high-resolution weather forecast guidance or
environment emergency alerts at low cost.
- Abstract(参考訳): 深層学習、特に画像認識のための畳み込みニューラルネットワークは、近年気象学で使用されている。
有望な応用の1つは、低解像度動的モデルの出力画像を高分解能画像に変換する統計代理モデルを開発することである。
本研究は,6時間毎のメソスケール温度場への合成温度場をダウンスケールするモデルの性能を評価する予備実験である。
深層学習モデルでは,22kmのグリッド状大域的解析面の風と温度を入力として,5kmのグリッド状地域分析面の温度を所望の出力として,対象領域を対象とした。
その結果, 深部畳み込みニューラルネットワーク(DCNN)は, 入力に保持されていない海岸線や山頂の位置を詳細に推定し, 高分解能表面温度分布を提供できることを確認した。
例えば、平均根平均二乗誤差(RMSE)は、高度1000m以上の大域的および地域的分析の間の2.7Kであるが、RMSEは1.0Kに減少し、相関係数は代理モデルにより0.6から0.9に改善される。
本研究は表面温度のみに代理モデルを評価するが, ダウンスケーリング変数と垂直プロファイルを増大させることで改善できると考えられる。
DCNNのサロゲートモデルは、トレーニングが完了すると、少量の計算能力しか必要としない。
したがって、サロゲートモデルが短時間で実施されれば、高解像度の天気予報ガイダンスや環境緊急警報を低コストで提供する。
関連論文リスト
- 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) - 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) - 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 [75.38539438000072]
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。
私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。
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) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳(メタデータ) (2023-04-14T09:39:06Z) - 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) - A Generative Deep Learning Approach to Stochastic Downscaling of
Precipitation Forecasts [0.5906031288935515]
GAN(Generative Adversarial Network)は、コンピュータビジョンコミュニティによって超高解像度問題で成功することが実証されている。
GANとVAE-GANは、高分解能で空間的に整合した降水マップを作成しながら、最先端のポイントワイズポストプロセッシング手法の統計的特性と一致することを示す。
論文 参考訳(メタデータ) (2022-04-05T07:19:42Z) - Multi-model Ensemble Analysis with Neural Network Gaussian Processes [5.975698284186638]
マルチモデルアンサンブル解析は、複数の気候モデルからの情報を統一された射影に統合する。
我々は,ディープニューラルネットワークに基づく共分散関数を用いて,NN-GPRと呼ばれる統計的アプローチを提案する。
実験により,NN-GPRは地表温度と降水量予測に非常に熟練していることが示された。
論文 参考訳(メタデータ) (2022-02-08T21:28:03Z) - Artificial Intelligence Hybrid Deep Learning Model for Groundwater Level
Prediction Using MLP-ADAM [0.0]
本稿では,多層パーセプトロンを用いて地下水位をシミュレーションする。
この問題には適応モーメント推定アルゴリズムも用いられる。
その結果,ディープラーニングアルゴリズムは高精度な予測が可能であることが示唆された。
論文 参考訳(メタデータ) (2021-07-29T10:11:45Z) - Convolutional conditional neural processes for local climate downscaling [31.887343372542805]
畳み込み条件付きニューラルプロセス(convCNPs)による温度と降水量の多地点統計的ダウンスケーリングに関する新しいモデルが提示された。
コンブCNPモデルでは, 温度と降水量の両方において, 既存のダウンスケーリング技術よりも優れていた。
極端な降水現象の表象では大きな改善が見られる。
論文 参考訳(メタデータ) (2021-01-20T03:45:21Z) - A Deep Convolutional Neural Network Model for improving WRF Forecasts [0.19573380763700707]
我々は4年間の歴史を持つCNNモデル(2014-2017)をトレーニングし、WRFバイアスのパターンについて検討する。
次に, 風速, 方向, 降水量, 相対湿度, 表面圧力, 露点温度, 表面温度の予測値において, これらのバイアスを低減させる。
その結果,全駅でWRF予測が顕著に改善したことが示唆された。
論文 参考訳(メタデータ) (2020-08-14T17:48:06Z)
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。