論文の概要: Intensity Prediction of Tropical Cyclones using Long Short-Term Memory
Network
- arxiv url: http://arxiv.org/abs/2107.03187v1
- Date: Wed, 7 Jul 2021 12:46:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-08 20:09:34.700623
- Title: Intensity Prediction of Tropical Cyclones using Long Short-Term Memory
Network
- Title(参考訳): 長期短期記憶ネットワークを用いた熱帯サイクロンの強度予測
- Authors: Koushik Biswas, Sandeep Kumar, Ashish Kumar Pandey
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 1.6379393441314491
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Tropical cyclones can be of varied intensity and cause a huge loss of lives
and property if the intensity is high enough. Therefore, the prediction of the
intensity of tropical cyclones advance in time is of utmost importance. We
propose a novel stacked bidirectional long short-term memory network (BiLSTM)
based model architecture to predict the intensity of a tropical cyclone in
terms of Maximum surface sustained wind speed (MSWS). The proposed model can
predict MSWS well advance in time (up to 72 h) with very high accuracy. We have
applied the model on tropical cyclones in the North Indian Ocean from 1982 to
2018 and checked its performance on two recent tropical cyclones, namely, Fani
and Vayu. The model predicts MSWS (in knots) for the next 3, 12, 24, 36, 48,
60, and 72 hours with a mean absolute error of 1.52, 3.66, 5.88, 7.42, 8.96,
10.15, and 11.92, respectively.
- Abstract(参考訳): 熱帯サイクロンは多様な強度を持ち、強度が十分高い場合、生命や特性が大幅に失われることがある。
したがって、熱帯サイクロンの経時的な強度の予測は極めて重要である。
本研究では, 最大表面持続風速 (msws) を用いて熱帯サイクロンの強度を予測するための, bidirectional long short-term memory network (bilstm) モデルアーキテクチャを提案する。
提案モデルでは,MSWSの高度化(最大72時間)を極めて高精度に予測できる。
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,近年の2つの熱帯性サイクロン(ファニとバユ)の性能を確認した。
このモデルは次の3, 12, 24, 36, 48, 60, 72時間のMSWS(結び目)を平均絶対誤差 1.52, 3.66, 5.88, 7.42, 8.96, 10.15, 11.92 で予測する。
関連論文リスト
- Forecasting Tropical Cyclones with Cascaded Diffusion Models [4.946595418809814]
この研究は、生成拡散モデルを利用してサイクロン軌道と降水パターンを予測する。
予測は1台のNvidia A30/RTX 2080 Tiで30分で作成できる。
論文 参考訳(メタデータ) (2023-10-02T23:09:59Z) - 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) - 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) - FourCastNet: A Global Data-driven High-resolution Weather Model using
Adaptive Fourier Neural Operators [45.520430157112884]
FourCastNetは、表面風速、降水量、大気水蒸気などの高解像度で高速な変数を正確に予測する。
風力エネルギー資源の計画、熱帯のサイクロン、熱帯のサイクロン、大気の川などの極端な気象現象の予測に重要な意味を持つ。
FourCastNetは2秒未満で1週間の予測を生成する。
論文 参考訳(メタデータ) (2022-02-22T22:19:35Z) - 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) - 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) - 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)
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。