論文の概要: Improving seasonal forecast using probabilistic deep learning

• arxiv url: http://arxiv.org/abs/2010.14610v1
• Date: Tue, 27 Oct 2020 21:02:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-02 13:02:07.304818
• Title: Improving seasonal forecast using probabilistic deep learning
• Title（参考訳）: 確率的深層学習による季節予測の改善
• Authors: Baoxiang Pan, Gemma J. Anderson, AndrE Goncalves, Donald D. Lucas, CEline J.W. Bonfils, Jiwoo Lee
• Abstract要約: 我々は,季節予測能力と予測診断力を高めるための確率論的ディープニューラルネットワークモデルを開発した。 気候シミュレーションで符号化された複雑な物理的関係を活用することで、我々のモデルは好ましい決定論的および確率論的スキルを示す。 季節変動の支配的なモードであるエルニーニョ/南部の振動が、世界の季節予測可能性をどのように調節するかについて、より決定的な答えを与える。
• 参考スコア（独自算出の注目度）: 1.1988695717766686
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The path toward realizing the potential of seasonal forecasting and its socioeconomic benefits depends heavily on improving general circulation model based dynamical forecasting systems. To improve dynamical seasonal forecast, it is crucial to set up forecast benchmarks, and clarify forecast limitations posed by model initialization errors, formulation deficiencies, and internal climate variability. With huge cost in generating large forecast ensembles, and limited observations for forecast verification, the seasonal forecast benchmarking and diagnosing task proves challenging. In this study, we develop a probabilistic deep neural network model, drawing on a wealth of existing climate simulations to enhance seasonal forecast capability and forecast diagnosis. By leveraging complex physical relationships encoded in climate simulations, our probabilistic forecast model demonstrates favorable deterministic and probabilistic skill compared to state-of-the-art dynamical forecast systems in quasi-global seasonal forecast of precipitation and near-surface temperature. We apply this probabilistic forecast methodology to quantify the impacts of initialization errors and model formulation deficiencies in a dynamical seasonal forecasting system. We introduce the saliency analysis approach to efficiently identify the key predictors that influence seasonal variability. Furthermore, by explicitly modeling uncertainty using variational Bayes, we give a more definitive answer to how the El Nino/Southern Oscillation, the dominant mode of seasonal variability, modulates global seasonal predictability.
• Abstract（参考訳）: 季節予測の可能性とその社会経済的利益を実現する道筋は、一般循環モデルに基づく動的予測システムの改善に大きく依存する。 季節の動的予測を改善するためには,モデル初期化誤差,定式化欠陥,内部の気候変動による予測限界を明らかにすることが必要である。 大規模な予測アンサンブルの生成に多大なコストがかかり、予測検証のための観測が限られているため、季節予測ベンチマークと診断作業は困難である。 本研究では,季節予測能力の向上と予測診断のために,既存の気候シミュレーションを多用した確率的深層ニューラルネットワークモデルを開発した。 気候シミュレーションで符号化された複雑な物理的関係を活用することで, 準グローバル季節予測における降水量および近地温度の動的予測システムと比較して, 確率的予測モデルは, 決定論的および確率的スキルに優れることを示した。 我々は,この確率的予測手法を応用して初期化誤差の影響を定量化し,モデル定式化の欠陥を動的季節予測システムに適用する。 本稿では,季節変動に影響を及ぼす主要な予測要因を効率的に同定するために,塩分分析手法を提案する。 さらに,変動ベイズを用いた不確実性を明示的にモデル化することにより,季節変動の支配的モードであるエルニーノ/サザン振動が地球規模の季節予測可能性にどのように影響するか,より決定的な解を与える。

関連論文リスト

• Using Deep Learning to Identify Initial Error Sensitivity for Interpretable ENSO Forecasts [0.0]
  本稿では,ディープラーニングとモデル・アナログ予測を統合した解釈可能なモデル・アナログを提案する。 我々は,地域地球系モデルバージョン2大アンサンブルを用いて,季節ごとの時間スケールでエルニーニョ南部振動(ENSO)を予測する。 その結果,赤道太平洋海面温度異常の予測は9～12ヶ月で10%改善した。
  論文  参考訳（メタデータ） (2024-04-23T18:10:18Z)
• Uncertainty quantification for data-driven weather models [0.0]
  本研究では,現在最先端の決定論的データ駆動気象モデルであるPangu-Weatherから確率的天気予報を生成するための不確実性定量化手法について検討・比較する。 具体的には,摂動によるアンサンブル予測を初期条件と比較し,予測の不確実性を定量化する手法を提案する。 欧州における選択された気象変数の中距離予測のケーススタディにおいて,不確実な定量化手法を用いてパング・ウェザーモデルを用いて得られた確率的予測は,有望な結果を示す。
  論文  参考訳（メタデータ） (2024-03-20T10:07:51Z)
• 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)
• Performative Time-Series Forecasting [71.18553214204978]
  我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。 本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。 新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T18:34:29Z)
• 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)
• Surrogate Ensemble Forecasting for Dynamic Climate Impact Models [0.0]
  本研究は, マラリア感染係数R0を予測するリバプールマラリアモデル(LMM)について考察した。 入力および出力データは、ランダムフォレスト量子回帰(RFQR)モデルとベイズ長短期記憶(BLSTM)ニューラルネットワークの形式で代理モデルをトレーニングするために使用される。
  論文  参考訳（メタデータ） (2022-04-12T13:30:01Z)
• A Bayesian Deep Learning Approach to Near-Term Climate Prediction [12.870804083819603]
  気候予測に対する補完的な機械学習に基づくアプローチを追求する。 特に,Densenetアーキテクチャのフィードフォワード畳み込みネットワークは,予測能力において,畳み込みLSTMよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2022-02-23T00:28:36Z)
• When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
  既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。 不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。 本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:31:47Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• 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。