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: 翻訳完了
- 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
- Supervised Score-Based Modeling by Gradient Boosting [49.556736252628745]
本稿では,スコアマッチングを組み合わせた勾配向上アルゴリズムとして,SSM(Supervised Score-based Model)を提案する。
推測時間と予測精度のバランスをとるため,SSMの学習とサンプリングに関する理論的解析を行った。
我々のモデルは、精度と推測時間の両方で既存のモデルより優れています。
論文 参考訳（メタデータ） (2024-11-02T07:06:53Z) - On conditional diffusion models for PDE simulations [53.01911265639582]
スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。
本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。
また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
論文 参考訳（メタデータ） (2024-10-21T18:31:04Z) - Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region [62.09891513612252]
地域レベルのダウンストリームタスクに特化して、リミテッド・エリア・モデリングに焦点を合わせ、モデルをトレーニングします。
我々は,気象予報が水資源の管理,農業,極度の気象事象の影響軽減に重要であるという,気象学的課題からMENA地域を考察する。
本研究では,パラメータ効率のよい微調整手法,特にローランド適応(LoRA)とその変種を統合することの有効性を検証することを目的とした。
論文 参考訳（メタデータ） (2024-09-11T19:31:56Z) - Hierarchically Disentangled Recurrent Network for Factorizing System Dynamics of Multi-scale Systems: An application on Hydrological Systems [4.634606500665259]
複数の時間スケールでシステムダイナミクスを分解する新しい階層的リカレントニューラルネットワークを提案する。
国立気象局ノース・セントラル・リバー・フォアキャスト・センターからの幾らかの捕獲実験では、FHNNが標準ベースラインを上回っていることを示している。
我々は,FHNNが,効果的な事前学習戦略とグローバルモデルの訓練を通じて,限られたトレーニングデータであっても精度を維持することができることを示す。
論文 参考訳（メタデータ） (2024-07-29T16:25:43Z) - Bridging Model-Based Optimization and Generative Modeling via Conservative Fine-Tuning of Diffusion Models [54.132297393662654]
本稿では,RLによる報酬モデルの最適化により,最先端拡散モデルを微調整するハイブリッド手法を提案する。
我々は、報酬モデルの補間能力を活用し、オフラインデータにおいて最良の設計を上回るアプローチの能力を実証する。
論文 参考訳（メタデータ） (2024-05-30T03:57:29Z) - Physics-constrained deep learning postprocessing of temperature and
humidity [0.0]
深層学習に基づく後処理モデルにおける物理的整合性を実現することを提案する。
熱力学状態方程式を強制するためにニューラルネットワークを制約することは、物理的に一貫性のある予測をもたらす。
論文 参考訳（メタデータ） (2022-12-07T09:31:25Z) - A case study of spatiotemporal forecasting techniques for weather forecasting [4.347494885647007]
実世界のプロセスの相関は時間的であり、それらによって生成されたデータは空間的および時間的進化の両方を示す。
時系列モデルが数値予測の代替となる。
本研究では,分解時間予測モデルにより計算コストを低減し,精度を向上することを示した。
論文 参考訳（メタデータ） (2022-09-29T13:47:02Z) - 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) - 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) - TRU-NET: A Deep Learning Approach to High Resolution Prediction of
Rainfall [21.399707529966474]
本稿では,連続的畳み込み再帰層間の新しい2次元クロスアテンション機構を特徴とするエンコーダデコーダモデルであるTRU-NETを提案する。
降雨のゼロ・スクイド・%極端事象パターンを捉えるために,条件付き連続損失関数を用いた。
実験の結果,短期降水予測ではDLモデルよりもRMSEとMAEのスコアが低いことがわかった。
論文 参考訳（メタデータ） (2020-08-20T17:27:59Z) - Statistical Downscaling of Temperature Distributions from the Synoptic
Scale to the Mesoscale Using Deep Convolutional Neural Networks [0.0]
有望な応用の1つは、低分解能ダイナミックモデルの出力画像を高分解能画像に変換する統計的代理モデルを開発することである。
本研究では,6時間毎に合成温度場をメソスケール温度場にダウンスケールする代理モデルについて検討した。
代理モデルが短時間で実施されれば、高解像度の天気予報ガイダンスや環境緊急警報を低コストで提供する。
論文 参考訳（メタデータ） (2020-07-20T06:24:08Z) - VAE-LIME: Deep Generative Model Based Approach for Local Data-Driven
Model Interpretability Applied to the Ironmaking Industry [70.10343492784465]
モデル予測だけでなく、その解釈可能性も、プロセスエンジニアに公開する必要があります。
LIMEに基づくモデルに依存しない局所的解釈可能性ソリューションが最近出現し、元の手法が改良された。
本稿では, 燃焼炉で生成する高温金属の温度を推定するデータ駆動型モデルの局所的解釈可能性に関する新しいアプローチ, VAE-LIMEを提案する。
論文 参考訳（メタデータ） (2020-07-15T07:07:07Z)
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。