論文の概要: Machine learning based automated identification of thunderstorms from
anemometric records using shapelet transform
- arxiv url: http://arxiv.org/abs/2101.04516v1
- Date: Sun, 10 Jan 2021 11:06:41 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-08 08:19:03.165249
- Title: Machine learning based automated identification of thunderstorms from
anemometric records using shapelet transform
- Title（参考訳）: 機械学習を用いたシェイプレット変換を用いた雷雨の自動識別
- Authors: Monica Arul and Ahsan Kareem
- Abstract要約: 本論文では,機械学習技術を用いて雷雨を自律的に識別・分離する新しい研究手法を提案する。
機械学習アルゴリズムと組み合わせた新しい形状に基づく表現は、実用的なイベント検出手順をもたらす。
この手法により,雷雨に関連する非定常記録を235件同定した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Detection of thunderstorms is important to the wind hazard community to
better understand extreme winds field characteristics and associated wind
induced load effects on structures. This paper contributes to this effort by
proposing a new course of research that uses machine learning techniques,
independent of wind statistics based parameters, to autonomously identify and
separate thunderstorms from large databases containing high frequency sampled
continuous wind speed measurements. In this context, the use of Shapelet
transform is proposed to identify key individual attributes distinctive to
extreme wind events based on similarity of shape of their time series. This
novel shape based representation when combined with machine learning algorithms
yields a practical event detection procedure with minimal domain expertise. In
this paper, the shapelet transform along with Random Forest classifier is
employed for the identification of thunderstorms from 1 year of data from 14
ultrasonic anemometers that are a part of an extensive in situ wind monitoring
network in the Northern Mediterranean ports. A collective total of 235
non-stationary records associated with thunderstorms were identified using this
method. The results lead to enhancing the pool of thunderstorm data for more
comprehensive understanding of a wide variety of thunderstorms that have not
been previously detected using conventional gust factor-based methods.
- Abstract（参考訳）: 雷雨の検出は, 極端な風場特性や構造物への風荷重の影響をより理解するために, 風害コミュニティにとって重要である。
本稿では,高頻度連続風速測定を含む大規模データベースから雷雨を自律的に識別・分離するために,風統計に基づくパラメータに依存しない機械学習技術を用いた新たな研究手法を提案する。
この文脈では、時系列の形状の類似性に基づいて、極端風の事象に特徴的な重要な個々の特性を同定するためにシェープレット変換を用いる。
この新しい形状に基づく表現は、機械学習アルゴリズムと組み合わせることで、最小限のドメイン知識を持つ実用的なイベント検出手順をもたらす。
本稿では,北地中海における広範囲な風観測網の一部である14の超音波風速計から1年間のデータから,ランダムな森林分類器と共にシェープレット変換を行い,雷雨の同定を行った。
本手法を用いて, 雷雨に伴う非定常記録の総計235件を同定した。
その結果,従来のガスト因子法でこれまで検出されなかった様々な雷雨について,より包括的に理解するための雷雨データプールの強化につながった。
関連論文リスト
- TRG-Net: An Interpretable and Controllable Rain Generator [61.2760968459789]
本研究は,降雨の基盤となる物理的発生機構を十分に考慮した,新しい深層学習型降雨発生器を提案する。
その意義は、発電機が予想される雨をシミュレートするために雨の本質的な要素を精巧に設計するだけでなく、複雑で多様な雨のイメージに微妙に適応することにある。
提案した雨発生器が発生した雨は, 高品質であるだけでなく, 排水作業や下流作業にも有効であることを示す。
論文 参考訳（メタデータ） (2024-03-15T03:27:39Z) - A Deep Learning Approach to Radar-based QPE [0.11184789007828977]
マルチプルセンサ(QPESUMS)モザイクレーダデータセットを用いた量的降水量推定と分別に基づく量的降水量推定(QPE)のためのボリューム・ツー・ポイント・フレームワークを提案する。
台湾地域における格子状レーダー反射率の時系列データ量を用いて,気象観測所におけるQPEの統計モデルを構築するために,機械学習アルゴリズムを用いた。
論文 参考訳（メタデータ） (2024-02-15T10:05:18Z) - WindSeer: Real-time volumetric wind prediction over complex terrain
aboard a small UAV [29.345342470012724]
計算流体力学シミュレーションの合成データのみを用いてニューラルネットワークであるWindSeerを訓練する。
WindSeerは、未確認の地形上で異なる解像度とドメインサイズで正確な予測を、再トレーニングすることなく生成することができる。
本研究では,気象観測所が収集した過去の風速と,ドローンによる風速の予測に成功していることを示す。
論文 参考訳（メタデータ） (2024-01-18T12:46:26Z) - A machine-learning approach to thunderstorm forecasting through post-processing of simulation data [0.0]
雷雨は社会や経済に危険をもたらし、信頼できる雷雨予報を要求する。
本研究では,数値天気予報(NWP)データから雷雨の発生を識別するフィードフォワードニューラルネットワークモデルである,SALAMA(Machine Central Learning)を用いた行動同定のための署名ベースアプローチを提案する。
論文 参考訳（メタデータ） (2023-03-15T16:21:15Z) - An unsupervised learning approach for predicting wind farm power and
downstream wakes using weather patterns [0.0]
我々は,教師なしクラスタリング手法から得られた気象パターンと数値的な天気予報モデルを組み合わせた新しい風力エネルギーワークフローを開発した。
我々の長期予測は1年間のWRFシミュレーションと一致するが、計算時間は2%未満であることを示す。
提案手法は、高速で正確で柔軟な手法を提供することにより、出力および下流ファームウェイの複数年間の予測を容易にする。
論文 参考訳（メタデータ） (2023-02-12T10:05:25Z) - Learning-based estimation of in-situ wind speed from underwater
acoustics [58.293528982012255]
水中音響から風速時系列を検索するための深層学習手法を提案する。
我々のアプローチは、事前の物理知識と計算効率の両面から恩恵を受けるために、データ同化と学習ベースのフレームワークをブリッジする。
論文 参考訳（メタデータ） (2022-08-18T15:27:40Z) - Neural-Fly Enables Rapid Learning for Agile Flight in Strong Winds [96.74836678572582]
本稿では,ディープラーニングを通じて事前学習した表現を組み込むことで,オンラインでの迅速な適応を可能にする学習ベースのアプローチを提案する。
Neural-Flyは、最先端の非線形かつ適応的なコントローラよりもかなり少ないトラッキングエラーで正確な飛行制御を実現する。
論文 参考訳（メタデータ） (2022-05-13T21:55:28Z) - Physics Informed Shallow Machine Learning for Wind Speed Prediction [66.05661813632568]
イタリアの32カ所の標高10mの風速計から観測された大量の風のデータセットを分析した。
我々は、過去の風の履歴を用いて教師あり学習アルゴリズムを訓練し、その価値を将来予測する。
最適設計と性能は場所によって異なることがわかった。
論文 参考訳（メタデータ） (2022-04-01T14:55:10Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳（メタデータ） (2021-07-14T21:10:47Z) - WaveTransform: Crafting Adversarial Examples via Input Decomposition [69.01794414018603]
本稿では,低周波サブバンドと高周波サブバンドに対応する逆雑音を生成するWaveTransformを紹介する。
実験により,提案攻撃は防衛アルゴリズムに対して有効であり,CNN間での転送も可能であることが示された。
論文 参考訳（メタデータ） (2020-10-29T17:16:59Z) - Applications of shapelet transform to time series classification of
earthquake, wind and wave data [0.0]
「シェープレット変換」は時系列列の形状の局所的類似性に基づく。
理解可能な特徴と透過的なアルゴリズムを備えた「ホワイトボックス」機械学習モデルを提案する。
モデルはドメインの実践者の介入なしにイベント検出を自動化する。
論文 参考訳（メタデータ） (2020-04-22T10:17:24Z)
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。