論文の概要: Prediction of Landfall Intensity, Location, and Time of a Tropical
Cyclone
- arxiv url: http://arxiv.org/abs/2103.16180v1
- Date: Tue, 30 Mar 2021 09:01:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-31 23:40:56.730393
- Title: Prediction of Landfall Intensity, Location, and Time of a Tropical
Cyclone
- Title(参考訳): 熱帯サイクロンの降水強度, 位置, 時間予測
- Authors: Sandeep Kumar, Koushik Biswas, Ashish Kumar Pandey
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 1.6379393441314491
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The prediction of the intensity, location and time of the landfall of a
tropical cyclone well advance in time and with high accuracy can reduce human
and material loss immensely. In this article, we develop a Long Short-Term
memory based Recurrent Neural network model to predict intensity (in terms of
maximum sustained surface wind speed), location (latitude and longitude), and
time (in hours after the observation period) of the landfall of a tropical
cyclone which originates in the North Indian ocean. The model takes as input
the best track data of cyclone consisting of its location, pressure, sea
surface temperature, and intensity for certain hours (from 12 to 36 hours)
anytime during the course of the cyclone as a time series and then provide
predictions with high accuracy. For example, using 24 hours data of a cyclone
anytime during its course, the model provides state-of-the-art results by
predicting landfall intensity, time, latitude, and longitude with a mean
absolute error of 4.24 knots, 4.5 hours, 0.24 degree, and 0.37 degree
respectively, which resulted in a distance error of 51.7 kilometers from the
landfall location. We further check the efficacy of the model on three recent
devastating cyclones Bulbul, Fani, and Gaja, and achieved better results than
the test dataset.
- Abstract(参考訳): 熱帯性サイクロンの降雨の強度、位置、時刻の予測は、時間的・高精度に進んでおり、人的・物質的損失を著しく低減することができる。
本稿では,北インド洋に起源を持つ熱帯サイクロンの降着地における強度(最大持続面風速),位置(緯度,経度),時間(観測時間)を予測するために,長期記憶に基づくリカレントニューラルネットワークモデルを開発した。
このモデルは、サイクロンの時系列として、その位置、圧力、海面温度、および一定時間(12時間から36時間)の強度からなるサイクロンの最高のトラックデータを入力し、高い精度で予測を提供する。
例えば、サイクロンの24時間データを用いて、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度と予測し、着陸地点から51.7kmの距離誤差を与える。
さらに,Bulbul,Fani,Gajaの3つの破壊的サイクロンに対するモデルの有効性を確認し,テストデータセットよりも優れた結果を得た。
関連論文リスト
- Residual Diffusion Modeling for Km-scale Atmospheric Downscaling [51.061954281398116]
台湾上空2kmの高解像度気象モデルを用いて,コスト効率の低いダウンスケーリングモデルを訓練した。
textitCorrDiffは、RMSEとCRPSを巧みに表現し、極端な場合でもスペクトルと分布を忠実に回復する。
グローバルな予測のスケールダウンは、これらのメリットの多くを成功裏に維持し、マシンラーニングの天気予報のエンドツーエンドなグローバルなスケールの可能性を先導する。
論文 参考訳(メタデータ) (2023-09-24T19:57:22Z) - Long-term drought prediction using deep neural networks based on
geospatial weather data [78.63225885697149]
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。
多様な時間的ニューラルネットワークモデルを用いたエンドツーエンドアプローチを導入することで、干ばつデータに対処する。
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) - Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。
MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。
MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
論文 参考訳(メタデータ) (2023-06-06T07:07:54Z) - 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) - Vision in adverse weather: Augmentation using CycleGANs with various
object detectors for robust perception in autonomous racing [70.16043883381677]
自律レースでは、天気は突然変化し、認識が著しく低下し、非効率な操作が引き起こされる。
悪天候の検知を改善するために、ディープラーニングベースのモデルは通常、そのような状況下でキャプチャされた広範なデータセットを必要とする。
本稿では,5つの最先端検出器のうち4つの性能向上を図るために,自動レース(CycleGANを用いた)における合成悪条件データセットを用いた手法を提案する。
論文 参考訳(メタデータ) (2022-01-10T10:02:40Z) - Tropical cyclone intensity estimations over the Indian ocean using
Machine Learning [1.6379393441314491]
北インド洋上で28年間最高の軌道データを用いて、精度は88%、Sは2.3の根平均二乗誤差(RMSE)を推定する。
我々は,北インド洋,バユ,ファニの2つの熱帯サイクロンを用いて本モデルを検証した。
論文 参考訳(メタデータ) (2021-07-07T12:53:06Z) - Intensity Prediction of Tropical Cyclones using Long Short-Term Memory
Network [1.6379393441314491]
熱帯性サイクロンの強度を予測するために,BiLSTM(Bidirectional stacked long short-term memory network)に基づく新しいモデルアーキテクチャを提案する。
1982年から2018年にかけて、北インド洋の熱帯性サイクロンにモデルを適用し、最近の2つの熱帯性サイクロンの性能を確認した。
このモデルは、それぞれ平均絶対誤差 1.52, 3.66, 5.88, 7.42, 8.96, 10.15, 11.92 の2つの最近の熱帯低気圧での性能を予測する。
論文 参考訳(メタデータ) (2021-07-07T12:46:50Z) - Predicting Landfall's Location and Time of a Tropical Cyclone Using
Reanalysis Data [1.6379393441314491]
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。
論文 参考訳(メタデータ) (2021-03-30T06:42:31Z) - 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。