論文の概要: A modular framework for extreme weather generation
- arxiv url: http://arxiv.org/abs/2102.04534v1
- Date: Fri, 5 Feb 2021 15:12:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-10 15:16:52.379403
- Title: A modular framework for extreme weather generation
- Title(参考訳): 極端な気象発生のためのモジュラーフレームワーク
- Authors: Bianca Zadrozny, Campbell D. Watson, Daniela Szwarcman, Daniel
Civitarese, Dario Oliveira, Eduardo Rodrigues, Jorge Guevara
- Abstract要約: 機械学習技術はレジリエンス計画において重要な役割を果たす可能性がある。
本稿では、極端気象イベントシナリオを生成するために、交換可能なコンポーネントに依存するモジュラーフレームワークを提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Extreme weather events have an enormous impact on society and are expected to
become more frequent and severe with climate change. In this context,
resilience planning becomes crucial for risk mitigation and coping with these
extreme events. Machine learning techniques can play a critical role in
resilience planning through the generation of realistic extreme weather event
scenarios that can be used to evaluate possible mitigation actions. This paper
proposes a modular framework that relies on interchangeable components to
produce extreme weather event scenarios. We discuss possible alternatives for
each of the components and show initial results comparing two approaches on the
task of generating precipitation scenarios.
- Abstract(参考訳): 極端な気象イベントは社会に大きな影響を与え、気候変動により頻繁で重大になることが期待されています。
この文脈では、レジリエンス・プランニングはリスク軽減とこのような極端な出来事への対処に不可欠である。
機械学習技術は、可能な緩和行動を評価するために使用できる現実的な極端な気象イベントシナリオの生成を通じて、レジリエンス計画において重要な役割を果たします。
本稿では,極度の気象イベントシナリオを生成するために交換可能なコンポーネントに依存するモジュール化フレームワークを提案する。
各コンポーネントの代替案について検討し,降水シナリオの生成タスクにおける2つのアプローチを比較した最初の結果を示す。
関連論文リスト
- Continual All-in-One Adverse Weather Removal with Knowledge Replay on a
Unified Network Structure [92.8834309803903]
現実の応用では、悪天候による画像の劣化は常に複雑で、日や季節によって異なる気象条件で変化する。
我々は,ネットワーク構造を統一した上で,効果的な知識再生(KR)を実現するための新しい連続学習フレームワークを開発した。
連続学習における複数の退化を伴う画像復元作業の特徴を考察し、異なる退化に関する知識を共有・蓄積することができる。
論文 参考訳(メタデータ) (2024-03-12T03:50:57Z) - Comparing Data-Driven and Mechanistic Models for Predicting Phenology in
Deciduous Broadleaf Forests [47.285748922842444]
我々は、気象時系列から表現指標を予測するために、ディープニューラルネットワークを訓練する。
このアプローチは従来のプロセスベースのモデルよりも優れています。
論文 参考訳(メタデータ) (2024-01-08T15:29:23Z) - Controllable Safety-Critical Closed-loop Traffic Simulation via Guided
Diffusion [100.4988219600854]
誘導拡散モデルに根ざした新しいクローズドループシミュレーションフレームワークを提案する。
提案手法は, 現実の条件を密にエミュレートする現実的なロングテールシナリオの生成と, 制御性の向上という, 二つの異なる利点をもたらす。
我々はNuScenesデータセットを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
論文 参考訳(メタデータ) (2023-12-31T04:14:43Z) - 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) - Improving extreme weather events detection with light-weight neural
networks [0.0]
気候データから熱帯低気圧と大気河川のセマンティックセグメンテーションを訓練した軽量なコンテキストガイド畳み込みニューラルネットワークアーキテクチャを改良した。
我々の主な焦点は熱帯のサイクロンであり、最も破壊的な気象現象であり、現在のモデルでは性能が限られている。
論文 参考訳(メタデータ) (2023-03-31T23:38:54Z) - A locally time-invariant metric for climate model ensemble predictions
of extreme risk [8.347190888362194]
本研究では,極度のシミュレーションを評価することを目的とした,気候モデルシミュレーションを評価するための局所的時間不変手法を提案する。
ナイロビの極端な暑さの予測における提案手法の挙動を考察し,8つの都市で比較検討を行った。
論文 参考訳(メタデータ) (2022-11-26T16:41:50Z) - A Multi-Scale Deep Learning Framework for Projecting Weather Extremes [3.3598755777055374]
気象の極端は社会と経済の大きな危険であり、数千人の命と毎年数十億ドルの損害を被っている。
現在、気候予測の主要なツールである一般循環モデル(GCM)は、気象極端を正確に特徴づけることができない。
本稿では,GCMの偏差を粗いスケールで観測することで,その出力の低次統計値とテール統計値とを一致させて補正する多分解能深層学習フレームワークを提案する。
提案手法を用いて、観測的大気再分析を用いて補正された単純なGCMを用いて、西欧の気候の統計的に現実的な現実化を生成する。
論文 参考訳(メタデータ) (2022-10-21T17:47:05Z) - ClimateGAN: Raising Climate Change Awareness by Generating Images of
Floods [89.61670857155173]
実画像上でのリアルな洪水をシミュレートする手法を提案する。
本研究では、教師なし領域適応と条件付き画像生成のためのシミュレーションデータと実データの両方を活用するモデルであるClimateGANを提案する。
論文 参考訳(メタデータ) (2021-10-06T15:54:57Z) - CausalCity: Complex Simulations with Agency for Causal Discovery and
Reasoning [68.74447489372037]
本稿では,因果探索と反事実推論のためのアルゴリズムの開発を目的とした,高忠実度シミュレーション環境を提案する。
私たちの作業の中核となるコンポーネントは、複雑なシナリオを定義して作成することが簡単になるような、テキストの緊急性を導入することです。
我々は3つの最先端の手法による実験を行い、ベースラインを作成し、この環境の可利用性を強調する。
論文 参考訳(メタデータ) (2021-06-25T00:21:41Z) - 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)
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。