論文の概要: Using Long Short-Term Memory (LSTM) and Internet of Things (IoT) for
localized surface temperature forecasting in an urban environment
- arxiv url: http://arxiv.org/abs/2102.02892v1
- Date: Thu, 4 Feb 2021 21:21:21 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-08 14:00:55.783587
- Title: Using Long Short-Term Memory (LSTM) and Internet of Things (IoT) for
localized surface temperature forecasting in an urban environment
- Title(参考訳): 都市環境における局所的な表面温度予測にLong Short-Term Memory (LSTM) とInternet of Things (IoT) を使用すること
- Authors: Manzhu Yu, Fangcao Xu, Weiming Hu, Jian Sun, Guido Cervone
- Abstract要約: 本研究では,Long Short-Term Memory(LSTM)深層学習ネットワークを基盤として,空間分解能の高い日頭時間温度予測を行うフレームワークを提案する。
米国ニューヨーク市における歴史的その場観測とIoT(Internet of Things)観測を用いたケーススタディを示す。
- 参考スコア(独自算出の注目度): 29.94873599943544
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The rising temperature is one of the key indicators of a warming climate, and
it can cause extensive stress to biological systems as well as built
structures. Due to the heat island effect, it is most severe in urban
environments compared to other landscapes due to the decrease in vegetation
associated with a dense human-built environment. It is essential to adequately
monitor the local temperature dynamics to mitigate risks associated with
increasing temperatures, which can include short term strategy to protect
people and animals, to long term strategy to how to build a new structure and
cope with extreme events. Observed temperature is also a very important input
for atmospheric models, and accurate data can lead to better future forecasts.
Ambient temperature collected at ground level can have a higher variability
when compared to regional weather forecasts, which fail to capture the local
dynamics. There remains a clear need for an accurate air temperature prediction
at the sub-urban scale at high temporal and spatial resolution. This research
proposed a framework based on Long Short-Term Memory (LSTM) deep learning
network to generate day-ahead hourly temperature forecast with high spatial
resolution. A case study is shown which uses historical in-situ observations
and Internet of Things (IoT) observations for New York City, USA. By leveraging
the historical air temperature data from in-situ observations, the LSTM model
can be exposed to more historical patterns that might not be present in the IoT
observations. Meanwhile, by using IoT observations, the spatial resolution of
air temperature predictions is significantly improved.
- Abstract(参考訳): 気温上昇は温暖化気候の重要な指標の1つであり、生物学的システムや構築された構造に広範なストレスを引き起こす可能性があります。
ヒートアイランド効果により、密集した人為的な環境に伴う植生の減少により、他の景観に比べて都市環境において最も深刻である。
温暖化に伴うリスクを軽減し、人間や動物を保護するための短期的戦略を含む局所的な温度力学を適切に監視し、新たな構造を構築し、極端な事象に対処するための長期的な戦略を行うことが不可欠である。
観測された気温は大気モデルにとって非常に重要な入力であり、正確なデータが将来の予測に繋がる可能性がある。
地上で採取された環境温度は、局所的な動態を捉えることができない地域気象予報と比較して高い変動性を持つ。
高時間分解能および空間分解能のサブアーバンスケールで正確な気温予測が必要であることは明らかです。
本研究では,Long Short-Term Memory(LSTM)深層学習ネットワークを基盤として,空間分解能の高い日頭時間温度予測を行うフレームワークを提案する。
米国ニューヨーク市における歴史的その場観測とIoT(Internet of Things)観測を用いたケーススタディを示す。
その場観測による歴史的気温データを活用することで、LSTMモデルは、IoT観測には存在しないかもしれないより歴史的なパターンに露出することができる。
一方、IoTによる観測により、気温予測の空間分解能が大幅に向上します。
関連論文リスト
- Advancing Data-driven Weather Forecasting: Time-Sliding Data
Augmentation of ERA5 [3.3748750222488657]
我々は高解像度データへの共通依存から逸脱する新しい戦略を導入する。
本稿では,データ拡張と処理に対する新たなアプローチとして,変数の追加による従来のアプローチの改善について述べる。
その結果, 解像度が低いにもかかわらず, 提案手法は大気条件の予測にかなり精度が高いことがわかった。
論文 参考訳(メタデータ) (2024-02-13T03:01:22Z) - FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather
Forecasting [56.73502043159699]
この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。
低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。
2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
論文 参考訳(メタデータ) (2024-01-28T13:23:25Z) - Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳(メタデータ) (2024-01-22T14:02:56Z) - TemperatureGAN: Generative Modeling of Regional Atmospheric Temperatures [1.5554651050867165]
発電機は様々な分野の 気候影響を推定するのに役立ちます
様々な分野の気候リスクを予測するには、正確で(統計的に地道に類似している)、信頼性があり(誤った例を作らない)、効率的であるジェネレータが必要である。
本研究では, 月, 場所, 時間に条件を定め, 1時間分解能で地上の気温2m以上を発生させるCreateGANを紹介した。
論文 参考訳(メタデータ) (2023-06-29T18:34:37Z) - Multi-scale Digital Twin: Developing a fast and physics-informed
surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。
U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。
並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
論文 参考訳(メタデータ) (2022-11-20T06:46:35Z) - Learning to forecast vegetation greenness at fine resolution over Africa
with ConvLSTMs [2.7708222692419735]
我々は、このタスクに対処するために、畳み込みLSTM(ConvLSTM)アーキテクチャを使用します。
我々は,アフリカにおける植生の変化をSentinel-2衛星NDVIを用いて予測し,ERA5気象分析,SMAP衛星測定,地形解析を行った。
以上の結果から,ConvLSTMモデルがNDVIの季節変動を高分解能で予測できるだけでなく,観測基準値に対する気象異常の影響も明らかとなった。
論文 参考訳(メタデータ) (2022-10-24T23:03:36Z) - 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) - Deep Learning based Extreme Heatwave Forecast [8.975667614727648]
最先端のプラシム・プラネット・シミュレーターの気候モデルデータを用いて,大クラスのアンダーサンプリングと転送学習を含む畳み込みニューラルネットワークに基づく深層学習フレームワークが,極端な熱波の発生を予測する上で有意な性能を発揮することを示した。
論文 参考訳(メタデータ) (2021-03-17T16:10:06Z) - DeepClimGAN: A High-Resolution Climate Data Generator [60.59639064716545]
地球系モデル(ESM)は、気候変動シナリオの将来の予測を生成するためにしばしば用いられる。
妥協として、エミュレータはかなり安価であるが、ESMの複雑さを全て備えているわけではない。
本稿では, ESMエミュレータとして, 条件付き生成逆数ネットワーク(GAN)の使用を実証する。
論文 参考訳(メタデータ) (2020-11-23T20:13:37Z) - Augmented Convolutional LSTMs for Generation of High-Resolution Climate
Change Projections [1.7503398807380832]
統計的ダウンスケーリングのための補助的情報時空間ニューラルアーキテクチャを提案する。
現在の研究では、世界で最も気候的に多様化したインドにおいて、ESMの出力から1.15度 (115 km) から0.25度 (25 km) まで、毎日降水量のダウンスケーリングを行っている。
論文 参考訳(メタデータ) (2020-09-23T17:52:09Z) - 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。