論文の概要: TRU-NET: A Deep Learning Approach to High Resolution Prediction of
Rainfall
- arxiv url: http://arxiv.org/abs/2008.09090v2
- Date: Fri, 12 Feb 2021 18:30:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-27 04:19:06.982688
- Title: TRU-NET: A Deep Learning Approach to High Resolution Prediction of
Rainfall
- Title(参考訳): TRU-NET: 降雨の高精度予測のためのディープラーニングアプローチ
- Authors: Rilwan Adewoyin, Peter Dueben, Peter Watson, Yulan He, Ritabrata Dutta
- Abstract要約: 本稿では,連続的畳み込み再帰層間の新しい2次元クロスアテンション機構を特徴とするエンコーダデコーダモデルであるTRU-NETを提案する。
降雨のゼロ・スクイド・%極端事象パターンを捉えるために,条件付き連続損失関数を用いた。
実験の結果,短期降水予測ではDLモデルよりもRMSEとMAEのスコアが低いことがわかった。
- 参考スコア(独自算出の注目度): 21.399707529966474
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Climate models (CM) are used to evaluate the impact of climate change on the
risk of floods and strong precipitation events. However, these numerical
simulators have difficulties representing precipitation events accurately,
mainly due to limited spatial resolution when simulating multi-scale dynamics
in the atmosphere. To improve the prediction of high resolution precipitation
we apply a Deep Learning (DL) approach using an input of CM simulations of the
model fields (weather variables) that are more predictable than local
precipitation. To this end, we present TRU-NET (Temporal Recurrent U-Net), an
encoder-decoder model featuring a novel 2D cross attention mechanism between
contiguous convolutional-recurrent layers to effectively model multi-scale
spatio-temporal weather processes. We use a conditional-continuous loss
function to capture the zero-skewed %extreme event patterns of rainfall.
Experiments show that our model consistently attains lower RMSE and MAE scores
than a DL model prevalent in short term precipitation prediction and improves
upon the rainfall predictions of a state-of-the-art dynamical weather model.
Moreover, by evaluating the performance of our model under various, training
and testing, data formulation strategies, we show that there is enough data for
our deep learning approach to output robust, high-quality results across
seasons and varying regions.
- Abstract(参考訳): 気候モデル(CM)は、気候変動が洪水や強い降水イベントのリスクに与える影響を評価するために用いられる。
しかし、これらの数値シミュレータは降水現象を正確に表現することが困難であり、主に大気中のマルチスケール力学をシミュレーションする際の空間分解能の制限によるものである。
高分解能降水量の予測を改善するために,局所降水量よりも予測可能なモデル場(変数)のCMシミュレーションを入力として,Deep Learning (DL) アプローチを適用した。
そこで本研究では,連続した畳み込み-再帰層間の新たな2次元クロスアテンション機構を特徴とするエンコーダ-デコーダモデルである tru-net (temporal recurrent u-net) を提案する。
降雨のゼロスキュート%イベントパターンを捉えるために,条件付き連続損失関数を用いた。
実験により, 短期降水予測でよく見られるDLモデルよりも, RMSEおよびMAEスコアの低い値が一貫して得られ, 最新の動的気象モデルによる降雨予測の改善が示された。
さらに, 各種学習・試験・データ定式化戦略の下で, モデルの性能を評価することにより, 季節や地域によって, 堅牢で高品質な結果を出力するのに十分なデータが存在することを示す。
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) - Probabilistic Precipitation Downscaling with Optical Flow-Guided
Diffusion [19.822891338324453]
気候科学と気象学では、局所降水予測はシミュレーション手法が必要とする高解像度の空間分解能によって制限される。
一般的な回避策は統計的ダウンスケーリング(いわゆる超解像)であり、統計的アプローチを用いて低解像度の予測を超解いたものである。
従来のコンピュータビジョンタスクは主に人間の知覚や平均二乗誤差に焦点を当てるが、天気や気候の応用には高解像度パターンの条件分布を捉える必要がある。
論文 参考訳(メタデータ) (2023-12-11T02:38:07Z) - Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。
提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
論文 参考訳(メタデータ) (2023-11-30T08:22:08Z) - 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) - Towards replacing precipitation ensemble predictions systems using
machine learning [0.0]
本研究では,高分解能降水に対するアンサンブル気象予測のための新しい手法を提案する。
本手法は,複雑な降水パターンを学習するために生成的対向ネットワークを用いる。
本研究では, 未確認高解像度の降水アンサンブル部材の現実的な生成の可能性を示す。
論文 参考訳(メタデータ) (2023-04-20T12:20:35Z) - An evaluation of deep learning models for predicting water depth
evolution in urban floods [59.31940764426359]
高空間分解能水深予測のための異なる深層学習モデルの比較を行った。
深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。
その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
論文 参考訳(メタデータ) (2023-02-20T16:08:54Z) - Machine learning emulation of a local-scale UK climate model [22.374171443798037]
我々は,高解像度降雨の現実的なサンプルを生成できる機械学習モデルを初めて示す。
自己学習型位置情報を低分解能の相対渦性, 量子および試料の時間平均に付加することにより, 高分解能シミュレーションとよく一致した。
論文 参考訳(メタデータ) (2022-11-29T11:44:35Z) - 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) - Semi-Supervised Video Deraining with Dynamic Rain Generator [59.71640025072209]
本稿では,降雨層に適合する動的降雨発生器を用いた半教師付きビデオデレーシング手法を提案する。
具体的には、1つのエミッションモデルと1つのトランジションモデルから成り、空間的物理的構造と時系列の雨の連続的な変化を同時にエンコードする。
ラベル付き合成およびラベルなしの実データのために、それらの基礎となる共通知識を十分に活用するために、様々な先行フォーマットが設計されている。
論文 参考訳(メタデータ) (2021-03-14T14:28:57Z) - From Rain Generation to Rain Removal [67.71728610434698]
雨層を生成物としてパラメータ化した雨画像のためのベイズ生成モデルを構築した。
降雨画像の統計的分布を推定するために,変分推論の枠組みを用いる。
総合的な実験により,提案モデルが複雑な降雨分布を忠実に抽出できることが確認された。
論文 参考訳(メタデータ) (2020-08-08T18:56:51Z) - 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。