Fugu-MT 論文翻訳(概要): Structural Forecasting for Tropical Cyclone Intensity Prediction: Providing Insight with Deep Learning

論文の概要: Structural Forecasting for Tropical Cyclone Intensity Prediction: Providing Insight with Deep Learning

arxiv url: http://arxiv.org/abs/2010.05783v3
Date: Mon, 7 Dec 2020 14:38:24 GMT
ステータス: 処理完了
システム内更新日: 2022-10-10 00:21:52.133807
Title: Structural Forecasting for Tropical Cyclone Intensity Prediction: Providing Insight with Deep Learning
Title（参考訳）: 熱帯サイクロン強度予測のための構造予測:ディープラーニングによる洞察の提供
Authors: Trey McNeely, Niccol\`o Dalmasso, Kimberly M. Wood, Ann B. Lee
Abstract要約: 熱帯サイクロン(TC)強度予測は、最終的にヒトの予測者によって発行される。提案するフレームワークはディープラーニングを活用して,エンドツーエンドの予測モデルや従来の強度ガイダンスにはないような予測を行う。
参考スコア（独自算出の注目度）: 1.7587442088965226
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Tropical cyclone (TC) intensity forecasts are ultimately issued by human forecasters. The human in-the-loop pipeline requires that any forecasting guidance must be easily digestible by TC experts if it is to be adopted at operational centers like the National Hurricane Center. Our proposed framework leverages deep learning to provide forecasters with something neither end-to-end prediction models nor traditional intensity guidance does: a powerful tool for monitoring high-dimensional time series of key physically relevant predictors and the means to understand how the predictors relate to one another and to short-term intensity changes.
Abstract（参考訳）: 熱帯サイクロン(tc)の強度予測は最終的に人間の予測者によって発行される。ヒトのイン・ザ・ループパイプラインは、ナショナル・ハリケーン・センターのような運用センターで採用されるためには、TCの専門家が予測ガイダンスを簡単に消化できなければならない。提案するフレームワークはディープラーニングを活用して,予測モデルと従来の強度指導の両立を図り,物理的に重要な予測器の高次元時系列をモニタリングする強力なツールと,予測器が相互にどのように関連し,短期的な強度変化をもたらすかを理解する手段を提供する。

関連論文リスト

Deep learning for precipitation nowcasting: A survey from the perspective of time series forecasting [4.5424061912112474]
本稿では,ディープラーニングを用いた時系列降水予測モデルの最近の進歩を概観する。予測モデルを,将来のフレームを予測するためのアプローチに基づいて,テキスト再帰戦略とテキスト多重戦略に分類する。筆者らは,現在,降水予測のための深層学習モデルの評価を行い,その限界と課題について議論し,いくつかの有望な研究方向性を示す。
論文参考訳（メタデータ） (2024-06-07T12:07:09Z)
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 [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)
Scaling transformer neural networks for skillful and reliable medium-range weather forecasting [23.249955524044392]
本稿では,標準変圧器バックボーンの変更を最小限に抑えつつ,気象予報の最先端性能であるStormerを紹介する。 Stormerの中核はランダムな予測目標であり、様々な時間間隔で天気のダイナミクスを予測するためにモデルを訓練する。ウェザーベンチ2では、ストーマーは短距離から中距離の予測で競争力を発揮し、現在の手法を7日を超えて上回っている。
論文参考訳（メタデータ） (2023-12-06T19:46:06Z)
Asset Bundling for Wind Power Forecasting [15.393565192962482]
本研究は,アセットバンドル,マシンラーニング,予測和解技術を統合したBPR( Bundle-Predict-Reconcile)フレームワークを提案する。 BPRフレームワークはまず中間階層レベル(バンドル)を学習し、続いて資産、バンドル、フリートレベルでの風力発電を予測し、最後にすべての予測を整合性を確保するために調整する。
論文参考訳（メタデータ） (2023-09-28T14:56:34Z)
Pedestrian Trajectory Forecasting Using Deep Ensembles Under Sensing Uncertainty [125.41260574344933]
エンコーダ・デコーダをベースとした深層アンサンブルネットワークは,認識と予測の不確実性の両方を同時に捕捉する。全体として、深層アンサンブルはより堅牢な予測を提供し、上流の不確実性の考慮により、モデルの推定精度をさらに高めた。
論文参考訳（メタデータ） (2023-05-26T04:27:48Z)
Forecasting large-scale circulation regimes using deformable convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討今後1～15日にわたって北大西洋-欧州の気象条件を予測した。より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
論文参考訳（メタデータ） (2022-02-10T11:37:00Z)
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)
Identifying Distributional Differences in Convective Evolution Prior to Rapid Intensification in Tropical Cyclones [4.925967492198013]
熱帯サイクロン(TC)強度予測は6時間ごとにヒトの予測者によって発行される。これらの時間的制約の中では、そのようなデータから洞察を引き出すのは難しい。ここでは、強力なAI予測アルゴリズムと古典的な統計的推測を利用して、嵐の急速な激化につながるTC構造の進化におけるパターンを特定する。
論文参考訳（メタデータ） (2021-09-24T15:33:29Z)
From Goals, Waypoints & Paths To Long Term Human Trajectory Forecasting [54.273455592965355]
将来の軌道の不確実性は、(a)エージェントに知られているが、モデルに未知な情報源、例えば長期目標や(b)エージェントとモデルの両方に未知な情報源、例えば他のエージェントの意図や既約乱数不確定性などである。我々は,長期目標における多モータリティと,経路ポイントや経路における多モータリティによるアレタリック不確実性を通じて,てんかん不確かさをモデル化する。また,この二分法を実証するために,従来の作業よりも1分間,桁長の予測地平線を有する,新しい長期軌跡予測設定を提案する。
論文参考訳（メタデータ） (2020-12-02T21:01:29Z)
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。