論文の概要: Regional Rainfall Prediction Using Support Vector Machine Classification
of Large-Scale Precipitation Maps
- arxiv url: http://arxiv.org/abs/2007.15404v1
- Date: Thu, 30 Jul 2020 11:56:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-05 13:21:26.760767
- Title: Regional Rainfall Prediction Using Support Vector Machine Classification
of Large-Scale Precipitation Maps
- Title（参考訳）: 大規模降雨マップの支持ベクトルマシン分類による地域降雨予測
- Authors: Eslam A.Hussein, Mehrdad Ghaziasgar, Christopher Thron
- Abstract要約: 本研究では,1～30日前の降雨予測に対するクラスベースアプローチについて検討する。
この調査は、アメリカ大陸の1日あたりの降水量マップに基づいて、地域の予測を行い、降水量は3つのレベル(光または無雨、中性雨、大雨)で定量化した。
- 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: Rainfall prediction helps planners anticipate potential social and economic
impacts produced by too much or too little rain. This research investigates a
class-based approach to rainfall prediction from 1-30 days in advance. The
study made regional predictions based on sequences of daily rainfall maps of
the continental US, with rainfall quantized at 3 levels: light or no rain;
moderate; and heavy rain. Three regions were selected, corresponding to three
squares from a $5\times5$ grid covering the map area. Rainfall predictions up
to 30 days ahead for these three regions were based on a support vector machine
(SVM) applied to consecutive sequences of prior daily rainfall map images. The
results show that predictions for corner squares in the grid were less accurate
than predictions obtained by a simple untrained classifier. However, SVM
predictions for a central region outperformed the other two regions, as well as
the untrained classifier. We conclude that there is some evidence that SVMs
applied to large-scale precipitation maps can under some conditions give useful
information for predicting regional rainfall, but care must be taken to avoid
pitfall
- Abstract（参考訳）: 降雨予測は、多かれ少なかれ雨が生み出す潜在的な社会的・経済的影響を予測するのに役立つ。
本研究は,1～30日前の降雨予測に対するクラスベースアプローチについて検討する。
この研究では、アメリカ大陸の毎日の降雨マップに基づいて地域的な予測を行い、降雨量は光か無か、中等か、大雨の3段階に定量化された。
地図エリアをカバーする5\times5$グリッドの3つの正方形に対応する3つのリージョンが選択された。
これら3つの地域での降雨予測は, 前日降雨マップ画像の連続配列に適用したサポートベクターマシン(SVM)に基づいて, 最大30日前の降雨予測を行った。
その結果, 格子内角方形の予測は, 単純な未学習分類器による予測よりも精度が低いことがわかった。
しかし、中心領域のSVM予測は、訓練されていない分類器と同様に、他の2つの領域よりも優れていた。
大規模降水マップに適用されたSVMが地域降雨予測に有用な情報が得られるという証拠はいくつかあるが、落とし穴を避けるには注意が必要であると結論付けている。
関連論文リスト
- CasCast: Skillful High-resolution Precipitation Nowcasting via Cascaded
Modelling [93.65319031345197]
本稿では,メソスケール降水分布と小規模パターンの予測を分離するために,決定的かつ確率的な部分からなるカスケードフレームワークCasCastを提案する。
CasCastは地域の極端降水量計のベースライン(+91.8%)をはるかに上回っている。
論文 参考訳（メタデータ） (2024-02-06T08:30:47Z) - 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) - Rapid Flood Inundation Forecast Using Fourier Neural Operator [77.30160833875513]
洪水浸水予測は洪水前後の緊急計画に重要な情報を提供する。
近年,高分解能な流体力学モデリングが普及しつつあるが,道路の洪水範囲やリアルタイムのビルディングレベルは依然として計算的に要求されている。
洪水範囲と浸水深度予測のためのハイブリッドプロセスベースおよびデータ駆動機械学習(ML)アプローチを提案する。
論文 参考訳（メタデータ） (2023-07-29T22:49:50Z) - 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) - 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) - Short-term precipitation prediction using deep learning [5.1589108738893215]
気象フィールドの1つのフレームを用いた3次元畳み込みニューラルネットワークは降水空間分布を予測することができることを示す。
このネットワークは、気象学の39年 (1980-2018) のデータと、連続した米国上空の毎日の降水に基づいて開発されている。
論文 参考訳（メタデータ） (2021-10-05T06:37:24Z) - RAP-Net: Region Attention Predictive Network for Precipitation
Nowcasting [15.587959542301789]
予測を改善するためにリコール注意機構(RAM)を提案する。
実験の結果,提案する領域注意予測ネットワーク(RAP-Net)は最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2021-10-03T15:55:18Z) - Accurate and Clear Precipitation Nowcasting with Consecutive Attention
and Rain-map Discrimination [11.686939430992966]
本稿では,降水流の識別と注意の両方を含む新しい深層学習モデルを提案する。
このモデルは、レーダーデータと実際の雨データの両方を含む、新しく構築されたベンチマークデータセットで検討される。
論文 参考訳（メタデータ） (2021-02-16T14:22:54Z) - Prediction of Rainfall in Rajasthan, India using Deep and Wide Neural
Network [0.5735035463793008]
インド・ラジャサン州の降雨予測モデル(DWRPM)を提案する。
地理的パラメータ(緯度と経度)の情報は、ユニークな方法で含まれる。
結果とLSTMやCNNのような様々な深層学習手法を比較し,シーケンスベースの予測でうまく機能することが確認された。
論文 参考訳（メタデータ） (2020-10-22T15:01:22Z) - Rain-Code Fusion : Code-to-code ConvLSTM Forecasting Spatiotemporal
Precipitation [0.8057006406834465]
本稿では, 時間差低減のための多フレーム融合を用いた時相降雨過程を表す新しい降雨特性を提案する。
レーダー解析データを用いて中央の面積を136×148km2の範囲に拡大する。
論文 参考訳（メタデータ） (2020-09-30T11:33:45Z) - A generative adversarial network approach to (ensemble) weather
prediction [91.3755431537592]
本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。
提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
論文 参考訳（メタデータ） (2020-06-13T20:53:17Z)
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。