論文の概要: Convolutional conditional neural processes for local climate downscaling
- arxiv url: http://arxiv.org/abs/2101.07950v1
- Date: Wed, 20 Jan 2021 03:45:21 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-22 01:18:00.879248
- Title: Convolutional conditional neural processes for local climate downscaling
- Title(参考訳): 局地的気候ダウンスケーリングのための畳み込み条件ニューラルプロセス
- Authors: Anna Vaughan, Will Tebbutt, J.Scott Hosking and Richard E. Turner
- Abstract要約: 畳み込み条件付きニューラルプロセス(convCNPs)による温度と降水量の多地点統計的ダウンスケーリングに関する新しいモデルが提示された。
コンブCNPモデルでは, 温度と降水量の両方において, 既存のダウンスケーリング技術よりも優れていた。
極端な降水現象の表象では大きな改善が見られる。
- 参考スコア(独自算出の注目度): 31.887343372542805
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A new model is presented for multisite statistical downscaling of temperature
and precipitation using convolutional conditional neural processes (convCNPs).
ConvCNPs are a recently developed class of models that allow deep learning
techniques to be applied to off-the-grid spatio-temporal data. This model has a
substantial advantage over existing downscaling methods in that the trained
model can be used to generate multisite predictions at an arbitrary set of
locations, regardless of the availability of training data. The convCNP model
is shown to outperform an ensemble of existing downscaling techniques over
Europe for both temperature and precipitation taken from the VALUE
intercomparison project. The model also outperforms an approach that uses
Gaussian processes to interpolate single-site downscaling models at unseen
locations. Importantly, substantial improvement is seen in the representation
of extreme precipitation events. These results indicate that the convCNP is a
robust downscaling model suitable for generating localised projections for use
in climate impact studies, and motivates further research into applications of
deep learning techniques in statistical downscaling.
- Abstract(参考訳): 畳み込み条件付きニューラルプロセス (convCNPs) を用いて, 温度と降水量の多地点統計的ダウンスケーリングを行う。
ConvCNPは、最近開発されたモデルのクラスであり、オフザグリッド時空間データにディープラーニング技術を適用することができる。
このモデルは、トレーニングデータの可用性に関係なく、トレーニングされたモデルが任意の場所でマルチサイト予測を生成することができるという点において、既存のダウンスケーリング手法に対して大きな利点がある。
コンブCNPモデルは、VALUE相互比較プロジェクトから採取した温度と降水の両方において、ヨーロッパにおける既存のダウンスケーリング手法のアンサンブルよりも優れていた。
このモデルはまた、ガウス過程を用いて、見えない場所でシングルサイトダウンスケーリングモデルを補間するアプローチよりも優れている。
重要なことは、極端な降水現象の表現においてかなりの改善が見られることである。
以上の結果から,convCNPは,気候影響研究における局所的な予測生成に適した強靭なダウンスケーリングモデルであり,統計的ダウンスケーリングにおける深層学習技術の適用に関するさらなる研究を動機付けていると考えられる。
関連論文リスト
- Long-term stability and generalization of observationally-constrained
stochastic data-driven models for geophysical turbulence [0.19686770963118383]
ディープラーニングモデルは、現在の最先端の気象モデルにおける特定のバイアスを軽減することができる。
データ駆動モデルは、再分析(観測データ)製品から利用できない多くのトレーニングデータを必要とします。
決定論的データ駆動予測モデルは、長期的な安定性と非物理的気候の漂流の問題に悩まされる。
本稿では,不完全な気候モデルシミュレーションに基づいて事前学習した畳み込み変分自動エンコーダに基づくデータ駆動モデルを提案する。
論文 参考訳(メタデータ) (2022-05-09T23:52:37Z) - An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳(メタデータ) (2022-04-18T23:42:18Z) - Sample-Efficient Reinforcement Learning via Conservative Model-Based
Actor-Critic [67.00475077281212]
モデルベース強化学習アルゴリズムは、モデルフリーのアルゴリズムよりもサンプル効率が高い。
本稿では,精度の高い学習モデルに強く依存することなく,高いサンプル効率を実現する新しい手法を提案する。
CMBACは,いくつかの課題に対して,サンプル効率の点で最先端のアプローチを著しく上回ることを示す。
論文 参考訳(メタデータ) (2021-12-16T15:33:11Z) - Follow Your Path: a Progressive Method for Knowledge Distillation [23.709919521355936]
本稿では,教師モデルの指導信号を学生のパラメータ空間に投影することで,新しいモデルに依存しないProKTを提案する。
画像とテキストの双方で実験した結果,提案したProKTは既存の知識蒸留法と比較して常に優れた性能を発揮することがわかった。
論文 参考訳(メタデータ) (2021-07-20T07:44:33Z) - CSDI: Conditional Score-based Diffusion Models for Probabilistic Time
Series Imputation [107.63407690972139]
Conditional Score-based Diffusion Model for Imputation (CSDI) は、観測データに条件付きスコアベース拡散モデルを利用する新しい時系列計算法である。
CSDIは、一般的なパフォーマンスメトリクスの既存の確率論的計算方法よりも40-70%改善されている。
さらに、Cは最先端の決定論的計算法と比較して誤差を5-20%削減する。
論文 参考訳(メタデータ) (2021-07-07T22:20:24Z) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳(メタデータ) (2021-06-25T22:08:51Z) - Sparse Flows: Pruning Continuous-depth Models [107.98191032466544]
生成モデルにおいて,プルーニングによりニューラルネットワークの一般化が向上することを示す。
また、プルーニングは、元のネットワークに比べて最大98%少ないパラメータで、精度を損なうことなく、最小かつ効率的なニューラルODE表現を見出すことを示した。
論文 参考訳(メタデータ) (2021-06-24T01:40:17Z) - Deep learning for improved global precipitation in numerical weather
prediction systems [1.721029532201972]
我々は、残差学習を用いた深層畳み込みニューラルネットワークのUNETアーキテクチャを、グローバルな降水モデルを学ぶための概念実証として使用しています。
その結果,インド気象局が使用した操作力学モデルと比較した。
この研究は、残差学習に基づくUNETが、目標降水量と物理的関係を解き放つことができることを示す概念実証である。
論文 参考訳(メタデータ) (2021-06-20T05:10:42Z) - Churn Reduction via Distillation [54.5952282395487]
本研究は, 基礎モデルを教師として用いた蒸留によるトレーニングと, 予測的チャーンに対する明示的な制約によるトレーニングとの等価性を示す。
次に, 蒸留が近年の多くのベースラインに対する低チャーン訓練に有効であることを示す。
論文 参考訳(メタデータ) (2021-06-04T18:03:31Z) - Data Assimilation Predictive GAN (DA-PredGAN): applied to determine the
spread of COVID-19 [0.0]
本稿では,時間内予測のためのGAN(Generative Adversarial Network)とDA-PredGAN(DA-PredGAN)の新たな利用法を提案する。
GANは、現実的に見える画像の生成に優れた結果を達成した後、最近多くの注目を集めています。
論文 参考訳(メタデータ) (2021-05-17T10:56:53Z)
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。