Fugu-MT 論文翻訳(概要): Intensity Prediction of Tropical Cyclones using Long Short-Term Memory Network

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

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)
Forecasting Tropical Cyclones with Cascaded Diffusion Models [4.272401529389713]
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 Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
気象・気候からの物理的危険予知技術の現状には、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、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
論文参考訳（メタデータ） (2023-09-24T19:57:22Z)
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。