論文の概要: A Deep Convolutional Neural Network Model for improving WRF Forecasts
- arxiv url: http://arxiv.org/abs/2008.06489v1
- Date: Fri, 14 Aug 2020 17:48:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-30 17:55:40.802464
- Title: A Deep Convolutional Neural Network Model for improving WRF Forecasts
- Title（参考訳）: WRF予測改善のための深部畳み込みニューラルネットワークモデル
- Authors: Alqamah Sayeed, Yunsoo Choi, Jia Jung, Yannic Lops, Ebrahim Eslami,
Ahmed Khan Salman
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.19573380763700707
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Advancements in numerical weather prediction models have accelerated,
fostering a more comprehensive understanding of physical phenomena pertaining
to the dynamics of weather and related computing resources. Despite these
advancements, these models contain inherent biases due to parameterization and
linearization of the differential equations that reduce forecasting accuracy.
In this work, we investigate the use of a computationally efficient deep
learning method, the Convolutional Neural Network (CNN), as a post-processing
technique that improves mesoscale Weather and Research Forecasting (WRF) one
day forecast (with a one-hour temporal resolution) outputs. Using the CNN
architecture, we bias-correct several meteorological parameters calculated by
the WRF model for all of 2018. We train the CNN model with a four-year history
(2014-2017) to investigate the patterns in WRF biases and then reduce these
biases in forecasts for surface wind speed and direction, precipitation,
relative humidity, surface pressure, dewpoint temperature, and surface
temperature. The WRF data, with a spatial resolution of 27 km, covers South
Korea. We obtain ground observations from the Korean Meteorological
Administration station network for 93 weather station locations. The results
indicate a noticeable improvement in WRF forecasts in all station locations.
The average of annual index of agreement for surface wind, precipitation,
surface pressure, temperature, dewpoint temperature and relative humidity of
all stations are 0.85 (WRF:0.67), 0.62 (WRF:0.56), 0.91 (WRF:0.69), 0.99
(WRF:0.98), 0.98 (WRF:0.98), and 0.92 (WRF:0.87), respectively. While this
study focuses on South Korea, the proposed approach can be applied for any
measured weather parameters at any location.
- Abstract（参考訳）: 数値天気予報モデルの進歩が加速し、気象と関連する計算資源のダイナミクスに関連する物理現象のより包括的な理解が促進された。
これらの進歩にもかかわらず、これらのモデルは予測精度を低下させる微分方程式のパラメータ化と線形化による固有のバイアスを含む。
本研究では,計算効率の高い深層学習手法である畳み込みニューラルネットワーク(cnn)を,メソスケール気象・研究予測(wrf)1日(時間分解能1時間)の出力を改善する事後処理手法として利用することを検討する。
CNNアーキテクチャを用いて、2018年の全期間、WRFモデルによって計算されたいくつかの気象パラメータをバイアス補正する。
風速, 風向, 降水量, 相対湿度, 表面圧力, 露点温度, 表面温度の予測において, WRFバイアスのパターンを調べるために, 4年間にわたるCNNモデル(2014-2017)を訓練した。
WRFデータの空間分解能は27kmで、韓国をカバーしている。
我々は,93箇所の気象観測所ネットワークから地上観測を行った。
その結果,全駅におけるwrf予測の大幅な改善が示された。
表層風, 降水, 表面圧力, 温度, 露点温度, 相対湿度の年平均値は, それぞれ 0.85 (wrf:0.67), 0.62 (wrf:0.56), 0.91 (wrf:0.69), 0.99 (wrf:0.98), 0.98 (wrf:0.98), 0.92 (wrf:0.87) である。
本研究は韓国に焦点をあてるが,提案手法は任意の場所における気象パラメータに適用できる。
関連論文リスト
- Estimating Atmospheric Variables from Digital Typhoon Satellite Images via Conditional Denoising Diffusion Models [0.0]
本研究では,台風分野における拡散モデルの適用について検討する。
この研究の焦点は台湾であり、台風に非常に脆弱な地域である。
論文 参考訳（メタデータ） (2024-09-12T11:42:40Z) - ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。
また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。
提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文 参考訳（メタデータ） (2024-02-02T10:34:13Z) - 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) - TPTNet: A Data-Driven Temperature Prediction Model Based on Turbulent
Potential Temperature [0.7575778450247893]
数値気象予測(NWP)の計算負担を軽減するため,ニューラルネットワークを用いた表面温度予測のためのデータ駆動モデルを提案した。
TPTNetと命名された我々のモデルは, 気象観測所で観測された2mの温度のみを用いて, 限られた予報時間における局部温度の予測を行う。
論文 参考訳（メタデータ） (2023-12-22T01:02:27Z) - Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。
ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。
このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
論文 参考訳（メタデータ） (2023-09-24T19:57:22Z) - FengWu: Pushing the Skillful Global Medium-range Weather Forecast beyond
10 Days Lead [93.67314652898547]
人工知能(AI)に基づく高度データ駆動型中距離気象予報システムFengWuについて紹介する。
FengWuは大気力学を正確に再現し、0.25度緯度で37の垂直レベルで将来の陸と大気の状態を予測することができる。
その結果、FengWuは予測能力を大幅に向上させ、熟練した中距離気象予報を10.75日間のリードまで拡張できることがわかった。
論文 参考訳（メタデータ） (2023-04-06T09:16:39Z) - A Machine Learning Outlook: Post-processing of Global Medium-range
Forecasts [0.0]
後処理は通常、数値気象予測(NWP)モデルの出力を受け取り、線形統計手法を適用する。
本研究では, 温度850hPaで7日間の予測において, 最大12%(RMSE)の精度向上を達成できることを示す。
我々は、ルート平均二乗誤差 (RMSE) や異常相関係数 (ACC) といった標準メトリクスを使用する際の課題について議論する。
論文 参考訳（メタデータ） (2023-03-28T20:48:01Z) - 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) - Statistical Downscaling of Temperature Distributions from the Synoptic
Scale to the Mesoscale Using Deep Convolutional Neural Networks [0.0]
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。
論文 参考訳（メタデータ） (2020-07-20T06:24:08Z) - 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) - Improving data-driven global weather prediction using deep convolutional
neural networks on a cubed sphere [7.918783985810551]
深層畳み込みニューラルネットワーク(CNN)を用いたデータ駆動型世界天気予報フレームワークを提案する。
このフレームワークの新しい開発には、オフラインの体積保存的マッピングから立方体球格子へのマッピングが含まれる。
我々のモデルでは、入力された大気状態の少ない変数から複雑な表面温度パターンを予測することができる。
論文 参考訳（メタデータ） (2020-03-15T19:57:34Z)
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。