論文の概要: Smart Weather Forecasting Using Machine Learning:A Case Study in
Tennessee
- arxiv url: http://arxiv.org/abs/2008.10789v1
- Date: Tue, 25 Aug 2020 02:41:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-25 04:35:23.262266
- Title: Smart Weather Forecasting Using Machine Learning:A Case Study in
Tennessee
- Title(参考訳): 機械学習を用いたスマート天気予報:テネシー州を事例として
- Authors: A H M Jakaria, Md Mosharaf Hossain, Mohammad Ashiqur Rahman
- Abstract要約: 本稿では,複数の気象観測所の過去のデータを利用して,シンプルな機械学習モデルを訓練する天気予報手法を提案する。
モデルの精度は、現在の最先端技術と併用するのに十分である。
- 参考スコア(独自算出の注目度): 2.9477900773805032
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traditionally, weather predictions are performed with the help of large
complex models of physics, which utilize different atmospheric conditions over
a long period of time. These conditions are often unstable because of
perturbations of the weather system, causing the models to provide inaccurate
forecasts. The models are generally run on hundreds of nodes in a large High
Performance Computing (HPC) environment which consumes a large amount of
energy. In this paper, we present a weather prediction technique that utilizes
historical data from multiple weather stations to train simple machine learning
models, which can provide usable forecasts about certain weather conditions for
the near future within a very short period of time. The models can be run on
much less resource intensive environments. The evaluation results show that the
accuracy of the models is good enough to be used alongside the current
state-of-the-art techniques. Furthermore, we show that it is beneficial to
leverage the weather station data from multiple neighboring areas over the data
of only the area for which weather forecasting is being performed.
- Abstract(参考訳): 伝統的に、気象予報は、長期間にわたって異なる大気条件を利用する大規模複雑な物理モデルの助けを借りて行われる。
これらの状態は、気象システムの摂動によって不安定になり、モデルが不正確な予報を提供する。
モデルは通常、大量のエネルギーを消費する大規模なハイパフォーマンスコンピューティング(HPC)環境で数百のノードで実行される。
本稿では,複数の気象観測所の過去のデータを用いて,簡単な機械学習モデルを訓練する気象予報手法を提案する。
モデルは、リソース集約的な環境よりもはるかに少ない環境で実行できる。
評価結果から,現在の最先端技術と併用するには,モデルの精度が十分であることがわかった。
また、気象予報が行われている地域のみのデータより、近隣の複数の地域からの気象観測所データを活用することが有益であることを示す。
関連論文リスト
- Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
気象予報に拡散モデル(DM)を適用した新しい手法を提案する。
提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。
我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
論文 参考訳(メタデータ) (2024-02-06T21:28:42Z) - ExtremeCast: Boosting Extreme Value Prediction for Global Weather
Forecast [61.138475638813354]
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,ExEnsembleという名称のトレーニングフリーな極値拡張戦略を導入し,画素値のばらつきを増大させ,予測ロバスト性を向上させる。
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) - 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) - Precipitation nowcasting with generative diffusion models [0.0]
降水処理における拡散モデルの有効性について検討した。
本研究は, 確立されたU-Netモデルの性能と比較したものである。
論文 参考訳(メタデータ) (2023-08-13T09:51:16Z) - SEEDS: Emulation of Weather Forecast Ensembles with Diffusion Models [13.331224394143117]
不確かさの定量化は意思決定に不可欠である。
天気予報の不確実性を表す主要なアプローチは、予測の集合を生成することです。
本稿では,これらの予測を歴史的データから学習した深部生成拡散モデルを用いてエミュレートし,計算コストを補正することを提案する。
論文 参考訳(メタデータ) (2023-06-24T22:00:06Z) - 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) - GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。
全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。
我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
論文 参考訳(メタデータ) (2022-12-24T18:15:39Z) - 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) - A case study of spatiotemporal forecasting techniques for weather
forecasting [0.0]
本稿では,地域データによる気象予報の様々な手法,すなわち時間的相関を捉えるために,複数の経度点にまたがる予測手法について検討する。
その結果, 列車の動的分解モードに基づく予測モデルでは, トレーニングを必要とせず, ほぼ同等の精度で予測できることがわかった。
論文 参考訳(メタデータ) (2022-09-29T13:47:02Z) - MLRM: A Multiple Linear Regression based Model for Average Temperature
Prediction of A Day [3.6704226968275258]
我々は,過去の気象データと複数の線形回帰モデルを用いて,地域の天気を予測することを目的としている。
このモデルは摂氏2.8度の誤差で1日の平均気温を予測できる。
論文 参考訳(メタデータ) (2022-03-11T10:22:57Z) - Efficient spatio-temporal weather forecasting using U-Net [0.0]
天気予報は、人間の日常生活における様々な側面において重要な役割を果たす。
ディープラーニングに基づくモデルは、多くの天気予報関連タスクで広範囲に成功している。
論文 参考訳(メタデータ) (2021-12-13T10:28:33Z)
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。