論文の概要: An Evaluation of Machine Learning and Deep Learning Models for Drought
Prediction using Weather Data
- arxiv url: http://arxiv.org/abs/2107.02517v1
- Date: Tue, 6 Jul 2021 10:19:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-07 14:00:09.737939
- Title: An Evaluation of Machine Learning and Deep Learning Models for Drought
Prediction using Weather Data
- Title(参考訳): 気象データを用いた干ばつ予測のための機械学習とディープラーニングモデルの評価
- Authors: Weiwei Jiang, Jiayun Luo
- Abstract要約: 干ばつは深刻な自然災害であり、長い期間と幅広い影響がある。
干ばつによる損失を減らすため、干ばつ予測は、対応する干ばつ防止と防災対策の基盤となる。
気象データを用いて機械学習モデルで干ばつを正確に予測できるかどうかは不明だ。
- 参考スコア(独自算出の注目度): 1.1977931648859175
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Drought is a serious natural disaster that has a long duration and a wide
range of influence. To decrease the drought-caused losses, drought prediction
is the basis of making the corresponding drought prevention and disaster
reduction measures. While this problem has been studied in the literature, it
remains unknown whether drought can be precisely predicted or not with machine
learning models using weather data. To answer this question, a real-world
public dataset is leveraged in this study and different drought levels are
predicted using the last 90 days of 18 meteorological indicators as the
predictors. In a comprehensive approach, 16 machine learning models and 16 deep
learning models are evaluated and compared. The results show no single model
can achieve the best performance for all evaluation metrics simultaneously,
which indicates the drought prediction problem is still challenging. As
benchmarks for further studies, the code and results are publicly available in
a Github repository.
- Abstract(参考訳): 干ばつは深刻な自然災害であり、長い期間と幅広い影響がある。
干ばつによる損失を減らすため、干ばつ予測は、対応する干ばつ防止と防災対策の基盤となる。
この問題は文献で研究されているが、気象データを用いた機械学習モデルで干ばつを正確に予測できるかどうかは不明である。
この疑問に答えるために、実際の公共データセットをこの研究で活用し、過去90日間の18の気象指標を予測指標として、干ばつレベルを予測した。
包括的なアプローチでは、16の機械学習モデルと16のディープラーニングモデルを評価し比較する。
以上の結果から, 干ばつ予測問題はまだ困難な問題であり, 全ての評価指標に対して, 同時に最高の性能を達成できるモデルが存在しないことが示唆された。
さらなる研究のベンチマークとして、コードと結果はGithubリポジトリで公開されている。
関連論文リスト
- Attention-Based Ensemble Pooling for Time Series Forecasting [55.2480439325792]
本稿では,候補モデル予測よりも重み付き平均値を実行するプーリング法を提案する。
本手法は,非定常ロレンツ63方程式の動力学の多段階予測と,COVID-19による週次死亡事故の1段階予測という2つの時系列予測問題に対して試行する。
論文 参考訳(メタデータ) (2023-10-24T22:59:56Z) - Generative Residual Diffusion Modeling for Km-scale Atmospheric
Downscaling [51.061954281398116]
気象や気候からの物理的危険予知のための技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。
ここでは、コスト効率の良い代替手段として、kmスケールダウンスケール拡散モデルを示す。
このモデルは台湾上空の高解像度気象モデルから訓練され、ERA5の再解析データに基づいて調整されている。
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]
特定の地域での干ばつ確率の正確な予測は、農業慣行における情報的意思決定に不可欠である。
この確率を予測することは、関心領域と近隣領域の様々な要因の複雑な相互作用による課題を生じさせる。
様々なニューラルネットワークに基づいて,この問題に対処するエンドツーエンドのソリューションを提案する。
論文 参考訳(メタデータ) (2023-09-12T13:28:06Z) - An evaluation of deep learning models for predicting water depth
evolution in urban floods [59.31940764426359]
高空間分解能水深予測のための異なる深層学習モデルの比較を行った。
深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。
その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
論文 参考訳(メタデータ) (2023-02-20T16:08:54Z) - GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。
全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。
我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
論文 参考訳(メタデータ) (2022-12-24T18:15:39Z) - Experimental study of time series forecasting methods for groundwater
level prediction [0.0]
私たちは1026の地下水位時系列のデータセットを作成しました。
各時系列は、地下水位と降雨と蒸発散の2つの変数を毎日測定して作成されている。
ローカルおよびグローバルな時系列予測手法を含む様々な予測器を比較した。
その結果, 過去の地下水位と降雨量について, グローバルな手法を訓練することで, 最良の予測が得られることがわかった。
論文 参考訳(メタデータ) (2022-09-28T08:58:55Z) - Flood Prediction Using Machine Learning Models [0.0]
本稿では,異なる機械学習モデルを用いて洪水の予測を行うことにより,この自然災害の極端なリスクを低減することを目的とする。
その結果、どのモデルがより正確な結果をもたらすかを理解するために比較分析を行う。
論文 参考訳(メタデータ) (2022-08-02T03:59:43Z) - On the Generalization of Agricultural Drought Classification from
Climate Data [0.1908788674366693]
干ばつの発生は遅く、様々な外部要因に依存するため、気候データの干ばつ検出は困難である。
我々は,水文モデルから得られた土壌水分指数(SMI)を構築した。
SMIに基づく干ばつ分類において,異なるモデルと逐次帰納的バイアスを伴わないモデルを比較した。
論文 参考訳(メタデータ) (2021-11-30T14:49:46Z) - Predicting Road Flooding Risk with Machine Learning Approaches Using
Crowdsourced Reports and Fine-grained Traffic Data [1.0554048699217669]
本研究の目的は,機械学習モデルを用いて地形,水文,時間的降水特性に基づいて,道路浸水リスクを予測することである。
ハリケーン・ハービーの発見は、降水が道路の浸水感受性を予測する上で最も重要な特徴であることを示している。
本研究は,道路レベルでの予測的洪水リスクマッピングの観点から,スマートフラッドレジリエンスの新たな分野を推し進めるものである。
論文 参考訳(メタデータ) (2021-08-30T14:25:58Z) - Counterfactual Predictions under Runtime Confounding [74.90756694584839]
本研究は, 過去のデータからすべての関連要因を抽出した環境で, 事実予測タスクについて検討する。
本稿では,この環境下での対実予測モデル学習のための2次ロバスト手法を提案する。
論文 参考訳(メタデータ) (2020-06-30T15:49:05Z) - Prediction of short and long-term droughts using artificial neural
networks and hydro-meteorological variables [0.0]
ニューラルネットワーク(ANN)のモデルは、標準降水指数(SPI)を異なる時間スケールで使用することにより、短期および長期の干ばつを予測するために使用される。
その結果,全ての水文-気象変数の応用は,異なる時間スケールでのSPIの予測を著しく改善することがわかった。
論文 参考訳(メタデータ) (2020-06-03T23:20:34Z)
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。