論文の概要: A LightGBM based Forecasting of Dominant Wave Periods in Oceanic Waters
- arxiv url: http://arxiv.org/abs/2105.08721v1
- Date: Tue, 18 May 2021 16:58:05 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-21 01:34:55.026798
- Title: A LightGBM based Forecasting of Dominant Wave Periods in Oceanic Waters
- Title(参考訳): 光gbmに基づく海洋水中の支配波周期の予測
- Authors: Pujan Pokhrel, Elias Ioup, Md Tamjidul Hoque, Mahdi Abdelguerfi and
Julian Simeonov
- Abstract要約: 我々は、LightGBMとExtra Treesを使用して、30日間の波浪期間を予測するアルゴリズムを訓練する。
トレーニングとテストデータセットの両方に類似したR2スコアは、本論文で開発された機械学習モデルが堅牢であることを示唆している。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we propose a Light Gradient Boosting (LightGBM) to forecast
dominant wave periods in oceanic waters. First, we use the data collected from
CDIP buoys and apply various data filtering methods. The data filtering methods
allow us to obtain a high-quality dataset for training and validation purposes.
We then extract various wave-based features like wave heights, periods,
skewness, kurtosis, etc., and atmospheric features like humidity, pressure, and
air temperature for the buoys. Afterward, we train algorithms that use LightGBM
and Extra Trees through a hv-block cross-validation scheme to forecast dominant
wave periods for up to 30 days ahead. LightGBM has the R2 score of 0.94, 0.94,
and 0.94 for 1-day ahead, 15-day ahead, and 30-day ahead prediction. Similarly,
Extra Trees (ET) has an R2 score of 0.88, 0.86, and 0.85 for 1-day ahead,
15-day ahead, and 30 day ahead prediction. In case of the test dataset,
LightGBM has R2 score of 0.94, 0.94, and 0.94 for 1-day ahead, 15-day ahead and
30-day ahead prediction. ET has R2 score of 0.88, 0.86, and 0.85 for 1-day
ahead, 15-day ahead, and 30-day ahead prediction. A similar R2 score for both
training and the test dataset suggests that the machine learning models
developed in this paper are robust. Since the LightGBM algorithm outperforms ET
for all the windows tested, it is taken as the final algorithm. Note that the
performance of both methods does not decrease significantly as the forecast
horizon increases. Likewise, the proposed method outperforms the numerical
approaches included in this paper in the test dataset. For 1 day ahead
prediction, the proposed algorithm has SI, Bias, CC, and RMSE of 0.09, 0.00,
0.97, and 1.78 compared to 0.268, 0.40, 0.63, and 2.18 for the European Centre
for Medium-range Weather Forecasts (ECMWF) model, which outperforms all the
other methods in the test dataset.
- Abstract(参考訳): 本稿では,海洋水中の優占波周期を予測するための光勾配ブースティング(lightgbm)を提案する。
まず,CDIPブイから収集したデータを用いて,様々なデータフィルタリング手法を適用する。
データフィルタリングにより、トレーニングと検証のために高品質なデータセットを得ることができる。
次に, 波高, 周期, 歪, 曲率などの波面特性と, ブイの湿度, 圧力, 気温などの大気特性を抽出する。
その後、hvブロッククロスバリデーション方式を用いてLightGBMとExtra Treesを使用するアルゴリズムを訓練し、最大30日間の波浪期間を予測する。
lightgbm の r2 スコアは 0.94, 0.94, 0.94 で、1 日先、15 日先、15 日先、予測 30 日先である。
同様に、エクストラツリー(ET)は1日先、15日前、30日前、R2スコアが0.88、0.86、0.85である。
テストデータセットの場合、lightgbmのr2スコアは 0.94, 0.94, 0.94で、1日前、15日前、30日前である。
ET の R2 スコアは 0.88, 0.86, 0.85 であり、1 日先、15 日前、30 日先、予測されている。
同様のR2スコアとテストデータセットは、本論文で開発された機械学習モデルが堅牢であることを示している。
LightGBM アルゴリズムはテスト対象のウィンドウに対して ET よりも優れており、最終アルゴリズムとして扱われる。
予測地平線が大きくなるにつれて,両手法の性能は著しく低下しない。
同様に,提案手法は,本論文に含まれる数値的アプローチよりも優れている。
1日間の予測のために、提案アルゴリズムはsi, bias, cc, rmseを0.09, 0.00, 0.97, 1.78とし、欧州中距離気象予報センター(ecmwf)モデルの0.268, 0.40, 0.63, 2.18と比較した。
関連論文リスト
- Impact of Employing Weather Forecast Data as Input to the Estimation of Evapotranspiration by Deep Neural Network Models [0.11249583407496218]
Evapotranspiration (ET0) は、作物の水需要に係数が関係しているため、スマート灌水スケジューリングを設計するための重要なパラメータである。
FAO56-PM法を用いてET0を計算するには、気温、湿度、風、太陽放射の4つの主要な気象パラメータが必要である。
論文 参考訳(メタデータ) (2024-03-27T12:01:51Z) - 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) - 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) - Accurate Prediction of Global Mean Temperature through Data
Transformation Techniques [0.0]
本稿では,複雑なMLアルゴリズムやディープラーニングニューラルネットワーク(Deep Learning Neural Networks, DNN)を直接利用するのではなく, 統計的, 簡便な機械学習手法の利点について検討する。
さまざまな単純なML手法は、最初のステップとして大規模なアルゴリズムの花束を試すことのメリットを示す、よく知られた手法よりも優れているか、あるいは優れている。
論文 参考訳(メタデータ) (2023-03-11T17:39:57Z) - A Meta-Learning Approach to Predicting Performance and Data Requirements [163.4412093478316]
本稿では,モデルが目標性能に達するために必要なサンプル数を推定する手法を提案する。
モデル性能を推定するデファクト原理であるパワー法則が,小さなデータセットを使用する場合の誤差が大きいことが判明した。
本稿では,2つのデータを異なる方法で処理するPPL法について紹介する。
論文 参考訳(メタデータ) (2023-03-02T21:48:22Z) - TempNet: Temporal Attention Towards the Detection of Animal Behaviour in
Videos [63.85815474157357]
本稿では,映像中の生物学的行動を検出するための,効率的なコンピュータビジョンと深層学習に基づく手法を提案する。
TempNetはエンコーダブリッジと残留ブロックを使用して、2段階の空間的、そして時間的、エンコーダでモデル性能を維持する。
本研究では,サブルフィッシュ (Anoplopoma fimbria) 幼虫の検出への応用を実証する。
論文 参考訳(メタデータ) (2022-11-17T23:55:12Z) - 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) - Physics Informed Shallow Machine Learning for Wind Speed Prediction [66.05661813632568]
イタリアの32カ所の標高10mの風速計から観測された大量の風のデータセットを分析した。
我々は、過去の風の履歴を用いて教師あり学習アルゴリズムを訓練し、その価値を将来予測する。
最適設計と性能は場所によって異なることがわかった。
論文 参考訳(メタデータ) (2022-04-01T14:55:10Z) - Forecasting Significant Wave Heights in Oceanic Waters [0.0]
まず,様々なパラメータをキャスティングし,30分間隔で予測した。
提案アルゴリズムは,Scatter Index (SI), Bias, Correlation Coefficient, Root Mean Squared Error (RMSE) の0.130, -0.002, 0.97, 0.14を1日先立って予測する。
提案アルゴリズムは,1日先進予測のための有意な波高予測に一般的に使用される最先端手法よりも,はるかに優れた性能を示す。
論文 参考訳(メタデータ) (2021-05-18T15:12:11Z) - Sub-seasonal forecasting with a large ensemble of deep-learning weather
prediction models [6.882042556551611]
深層学習天気予報(DLWP)モデルを用いたアンサンブル予測システムを提案する。
このモデルは、立方体球格子上の畳み込みニューラルネットワーク(CNN)を用いて、グローバルな予測を生成する。
エンサンブルスプレッドは、主に32のDLWPモデルを作成するためにCNNトレーニングプロセスのランダム化によって生成される。
論文 参考訳(メタデータ) (2021-02-09T20:14:43Z)
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。