論文の概要: Predicting Landfall's Location and Time of a Tropical Cyclone Using Reanalysis Data

• arxiv url: http://arxiv.org/abs/2103.16108v1
• Date: Tue, 30 Mar 2021 06:42:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-01 01:59:25.489988
• Title: Predicting Landfall's Location and Time of a Tropical Cyclone Using Reanalysis Data
• Title（参考訳）: 再分析データを用いた熱帯サイクロンの降水位置と時期の予測
• Authors: Sandeep Kumar, Koushik Biswas, Ashish Kumar Pandey
• Abstract要約: 熱帯サイクロンの降水は、海の海岸を横断した後、陸の上を移動するときのイベントです。 畳み込みニューラルネットワークとLong Short-Term Memory Networkを組み合わせたディープラーニングモデルを開発した。 我々は,66.18～158.92kmの範囲における上陸位置推定の絶対誤差,および6つの海盆全体での上陸時間予測の4.71～8.20時間の平均誤差を達成した。
• 参考スコア（独自算出の注目度）: 1.6379393441314491
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Landfall of a tropical cyclone is the event when it moves over the land after crossing the coast of the ocean. It is important to know the characteristics of the landfall in terms of location and time, well advance in time to take preventive measures timely. In this article, we develop a deep learning model based on the combination of a Convolutional Neural network and a Long Short-Term memory network to predict the landfall's location and time of a tropical cyclone in six ocean basins of the world with high accuracy. We have used high-resolution spacial reanalysis data, ERA5, maintained by European Center for Medium-Range Weather Forecasting (ECMWF). The model takes any 9 hours, 15 hours, or 21 hours of data, during the progress of a tropical cyclone and predicts its landfall's location in terms of latitude and longitude and time in hours. For 21 hours of data, we achieve mean absolute error for landfall's location prediction in the range of 66.18 - 158.92 kilometers and for landfall's time prediction in the range of 4.71 - 8.20 hours across all six ocean basins. The model can be trained in just 30 to 45 minutes (based on ocean basin) and can predict the landfall's location and time in a few seconds, which makes it suitable for real time prediction.
• Abstract（参考訳）: 熱帯低気圧の降水は、海洋沿岸を渡った後に陸地を移動する際に起こる。 地すべりの特徴を場所や時間的に把握することが重要であり、予防策を適宜講じるためには時間的に前進することが重要である。 本稿では,コンボリューショナルニューラルネットワークとロング短期記憶ネットワークを組み合わせた深層学習モデルを構築し,世界の6つの海盆における熱帯サイクロンの着地位置と時刻を高精度に予測する。 欧州中距離気象予報センター(ECMWF)が管理する高分解能空間解析データERA5を用いた。 このモデルは熱帯のサイクロンの進行中に9時間15時間、あるいは21時間のデータを必要とし、緯度や経度、時間といった面から地すべりの位置を予測する。 21時間のデータでは、66.18から158.92kmの範囲での上陸位置の予測と6つの海盆で4.71から8.20時間の範囲での上陸時刻の予測に絶対誤差が与えられる。 このモデルはわずか30分から45分で訓練でき(海盆に基づく)、着陸地点と時刻を数秒で予測できるため、リアルタイムの予測に適している。

関連論文リスト

• FengWu-W2S: A deep learning model for seamless weather-to-subseasonal forecast of global atmosphere [53.22497376154084]
  本研究では,FengWuグローバル気象予報モデルに基づくFengWu-Weather to Subseasonal (FengWu-W2S)を提案する。 我々は,FengWu-W2Sが大気環境を3～6週間先まで確実に予測し,マデン・ジュリア振動 (MJO) や北大西洋振動 (NAO) などの地球表面温度, 降水量, 地磁気高度, 季節内信号の予測能力を向上させることを実証した。 日時から季節時の予測誤差成長に関するアブレーション実験
  論文  参考訳（メタデータ） (2024-11-15T13:44:37Z)
• Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
  我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。 次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。 気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
  論文  参考訳（メタデータ） (2024-08-08T06:47:21Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• FengWu: Pushing the Skillful Global Medium-range Weather Forecast beyond 10 Days Lead [93.67314652898547]
  人工知能(AI)に基づく高度データ駆動型中距離気象予報システムFengWuについて紹介する。 FengWuは大気力学を正確に再現し、0.25度緯度で37の垂直レベルで将来の陸と大気の状態を予測することができる。 その結果、FengWuは予測能力を大幅に向上させ、熟練した中距離気象予報を10.75日間のリードまで拡張できることがわかった。
  論文  参考訳（メタデータ） (2023-04-06T09:16:39Z)
• Forecasting formation of a Tropical Cyclone Using Reanalysis Data [3.564430502665177]
  最大60時間,高精度で熱帯性サイクロンの形成を予測できる深層学習モデルが提案されている。 60時間リードタイムでは、6つの海盆で86.9%から92.9%の範囲で精度を達成している。 このモデルは、海盆によって約5～15分かかり、使用するデータの量は数秒で予測できる。
  論文  参考訳（メタデータ） (2022-12-10T13:20:48Z)
• Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast [91.9372563527801]
  我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。 初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。 Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
  論文  参考訳（メタデータ） (2022-11-03T17:19:43Z)
• Prediction of Landfall Intensity, Location, and Time of a Tropical Cyclone [1.6379393441314491]
  このモデルは、特定の時間、その位置、圧力、海面温度、強度からなるサイクロンの最良のトラックデータとして入力される。 このモデルは、降水強度、時間、緯度、経度を平均絶対誤差4.24ノット、4.5時間、0.24度、0.37度で予測し、最先端の結果を提供する。
  論文  参考訳（メタデータ） (2021-03-30T09:01:35Z)
• 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)
• Prediction of Bayesian Intervals for Tropical Storms [1.7132914341329848]
  熱帯の嵐は深刻な被害をもたらす可能性があるため、その軌道を正確に予測することで、都市や生活に大きな利益をもたらす可能性がある。 我々は改良手法を開発し、簡単な点推定に加えてベイズ区間の予測手法を一般化した。 この結果は,ニューラルネットワークのドロップアウト値が予測と間隔にどのように影響するかを示す。
  論文  参考訳（メタデータ） (2020-03-10T22:31:58Z)

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。