論文の概要: Deep Learning based Extreme Heatwave Forecast

• arxiv url: http://arxiv.org/abs/2103.09743v1
• Date: Wed, 17 Mar 2021 16:10:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-18 14:24:29.504075
• Title: Deep Learning based Extreme Heatwave Forecast
• Title（参考訳）: 深層学習に基づく極端熱波予測
• Authors: Val\'erian Jacques-Dumas, Francesco Ragone, Freddy Bouchet, Pierre Borgnat, Patrice Abry
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 8.975667614727648
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Forecasting the occurrence of heatwaves constitutes a challenging issue, yet of major societal stake, because extreme events are not often observed and (very) costly to simulate from physics-driven numerical models. The present work aims to explore the use of Deep Learning architectures as alternative strategies to predict extreme heatwaves occurrences from a very limited amount of available relevant climate data. This implies addressing issues such as the aggregation of climate data of different natures, the class-size imbalance that is intrinsically associated with rare event prediction, and the potential benefits of transfer learning to address the nested nature of extreme events (naturally included in less extreme ones). Using 1000 years of state-of-the-art PlaSim Planete Simulator Climate Model data, it is shown that Convolutional Neural Network-based Deep Learning frameworks, with large-class undersampling and transfer learning achieve significant performance in forecasting the occurrence of extreme heatwaves, at three different levels of intensity, and as early as 15 days in advance from the restricted observation, for a single time (single snapshoot) of only two spatial fields of climate data, surface temperature and geopotential height.
• Abstract（参考訳）: 極端な現象がしばしば観測されないこと、そして(非常に)物理学駆動の数値モデルからシミュレーションするのにコストがかかることから、熱波の発生は難しい問題である。 本研究の目的は,限られた量の気候データから極端な熱波の発生を予測するための代替戦略として,深層学習アーキテクチャの利用を検討することである。 これは、異なる性質の気候データの集約、希少な事象予測に固有のクラスサイズの不均衡、極端事象のネストされた性質(自然に極端でない事象に含まれる)に対処するトランスファーラーニングの潜在的な利点といった問題に対処することを意味する。 Using 1000 years of state-of-the-art PlaSim Planete Simulator Climate Model data, it is shown that Convolutional Neural Network-based Deep Learning frameworks, with large-class undersampling and transfer learning achieve significant performance in forecasting the occurrence of extreme heatwaves, at three different levels of intensity, and as early as 15 days in advance from the restricted observation, for a single time (single snapshoot) of only two spatial fields of climate data, surface temperature and geopotential height.

関連論文リスト

• Evaluation of deep learning models for Australian climate extremes: prediction of streamflow and floods [0.17999333451993949]
  近年、洪水のような気候の極端は、オーストラリアにとって重要な環境と経済の危険を生み出している。 ディープラーニングの手法は、短時間の地平線上で、小規模から中規模の極端な事象を予測することを約束している。 大規模な急激な洪水に対処するアンサンブルベースの機械学習アプローチを提案する。
  論文  参考訳（メタデータ） (2024-07-20T23:45:04Z)
• ClimODE: Climate and Weather Forecasting with Physics-informed Neural ODEs [14.095897879222676]
  統計力学の重要な原理を実装した連続時間プロセスであるClimODEを提案する。 ClimODEは、値保存ダイナミクスによる正確な気象進化をモデル化し、ニューラルネットワークとしてグローバルな気象輸送を学習する。 提案手法は,大域的,地域的予測において,パラメータ化の桁違いで既存のデータ駆動手法より優れる。
  論文  参考訳（メタデータ） (2024-04-15T06:38:21Z)
• 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)
• Climate Intervention Analysis using AI Model Guided by Statistical Physics Principles [6.824166358727082]
  変動散逸理論(FDT)として知られる統計物理学の原理を応用した新しい解法を提案する。 利用することで,地球系モデルによって生成された大規模なデータセットに符号化された情報を抽出することができる。 我々のモデルであるAiBEDOは、地球および地域表面の気候に対する放射摂動の複雑なマルチタイム効果を捉えることができる。
  論文  参考訳（メタデータ） (2023-02-07T05:09:10Z)
• ClimaX: A foundation model for weather and climate [51.208269971019504]
  ClimaXは気象と気候科学のディープラーニングモデルである。 気候データセットの自己教師型学習目標で事前トレーニングすることができる。 気候や気候の様々な問題に対処するために、微調整が可能である。
  論文  参考訳（メタデータ） (2023-01-24T23:19:01Z)
• 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)
• Spatiotemporal modeling of European paleoclimate using doubly sparse Gaussian processes [61.31361524229248]
  計算負担を軽減するため,近年の大規模分散時間GPを構築した。 我々は,古気候の確率モデルを構築するために,この2倍のスパースGPをうまく利用した。
  論文  参考訳（メタデータ） (2022-11-15T14:15:04Z)
• Probabilistic forecasts of extreme heatwaves using convolutional neural networks in a regime of lack of data [6.972317847755389]
  極端熱波の予測モデルを構築する手法を開発した。 これらのモデルは、非常に長い8000年間の気候モデル出力に基づいて訓練された畳み込みニューラルネットワークに基づいている。 ディープニューラルネットワークは、フランス上空の14日間のヒートウェーブに対して、この目的に適していることを示す。
  論文  参考訳（メタデータ） (2022-08-01T16:19:38Z)
• 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)
• 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。