論文の概要: Tropical cyclone intensity estimations over the Indian ocean using
Machine Learning
- arxiv url: http://arxiv.org/abs/2107.05573v1
- Date: Wed, 7 Jul 2021 12:53:06 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-18 13:43:19.968887
- Title: Tropical cyclone intensity estimations over the Indian ocean using
Machine Learning
- Title(参考訳): 機械学習によるインド洋の熱帯性サイクロン強度の推定
- Authors: Koushik Biswas, Sandeep Kumar, Ashish Kumar Pandey
- Abstract要約: 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。
- 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 are one of the most powerful and destructive natural
phenomena on earth. Tropical storms and heavy rains can cause floods, which
lead to human lives and economic loss. Devastating winds accompanying cyclones
heavily affect not only the coastal regions, even distant areas. Our study
focuses on the intensity estimation, particularly cyclone grade and maximum
sustained surface wind speed (MSWS) of a tropical cyclone over the North Indian
Ocean. We use various machine learning algorithms to estimate cyclone grade and
MSWS. We have used the basin of origin, date, time, latitude, longitude,
estimated central pressure, and pressure drop as attributes of our models. We
use multi-class classification models for the categorical outcome variable,
cyclone grade, and regression models for MSWS as it is a continuous variable.
Using the best track data of 28 years over the North Indian Ocean, we estimate
grade with an accuracy of 88% and MSWS with a root mean square error (RMSE) of
2.3. For higher grade categories (5-7), accuracy improves to an average of
98.84%. We tested our model with two recent tropical cyclones in the North
Indian Ocean, Vayu and Fani. For grade, we obtained an accuracy of 93.22% and
95.23% respectively, while for MSWS, we obtained RMSE of 2.2 and 3.4 and $R^2$
of 0.99 and 0.99, respectively.
- Abstract(参考訳): 熱帯サイクロンは地球上で最も強力で破壊的な自然現象の一つである。
熱帯の嵐と豪雨は洪水を引き起こし、人間の命と経済的損失につながる。
サイクロンを伴う壊滅的な風は沿岸部だけでなく、遠くの地域にも大きな影響を与える。
本研究は,北インド洋上の熱帯性サイクロンの強度推定,特にサイクロン濃度と最大持続表面風速(MSWS)に着目した。
我々は様々な機械学習アルゴリズムを用いてサイクロングレードとmswsを推定する。
我々は,原産地,年代,時間,緯度,経度,推定中央圧力,圧力低下をモデルの特徴として用いた。
我々は,連続変数であるmswsのカテゴリー的結果変数,サイクロン次数,回帰モデルに対して,マルチクラス分類モデルを用いる。
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%、MSWSは2.3の根平均二乗誤差(RMSE)を推定する。
上位カテゴリー(5-7)では、平均98.84%まで精度が向上する。
北インド洋における最近の熱帯サイクロンであるvayuとfaniを用いて実験を行った。
年次では, それぞれ93.22%, 95.23%, MSWSでは2.2および3.4のRMSE, 0.99および0.99のR^2$を得た。
関連論文リスト
- Residual Diffusion Modeling for Km-scale Atmospheric Downscaling [51.061954281398116]
台湾上空2kmの高解像度気象モデルを用いて,コスト効率の低いダウンスケーリングモデルを訓練した。
textitCorrDiffは、RMSEとCRPSを巧みに表現し、極端な場合でもスペクトルと分布を忠実に回復する。
グローバルな予測のスケールダウンは、これらのメリットの多くを成功裏に維持し、マシンラーニングの天気予報のエンドツーエンドなグローバルなスケールの可能性を先導する。
論文 参考訳(メタデータ) (2023-09-24T19:57:22Z) - An evaluation of deep learning models for predicting water depth
evolution in urban floods [59.31940764426359]
高空間分解能水深予測のための異なる深層学習モデルの比較を行った。
深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。
その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
論文 参考訳(メタデータ) (2023-02-20T16:08:54Z) - Forecasting formation of a Tropical Cyclone Using Reanalysis Data [3.564430502665177]
最大60時間,高精度で熱帯性サイクロンの形成を予測できる深層学習モデルが提案されている。
60時間リードタイムでは、6つの海盆で86.9%から92.9%の範囲で精度を達成している。
このモデルは、海盆によって約5~15分かかり、使用するデータの量は数秒で予測できる。
論文 参考訳(メタデータ) (2022-12-10T13:20:48Z) - Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global
Weather Forecast [91.9372563527801]
我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。
初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。
Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
論文 参考訳(メタデータ) (2022-11-03T17:19:43Z) - Learning-based estimation of in-situ wind speed from underwater
acoustics [58.293528982012255]
水中音響から風速時系列を検索するための深層学習手法を提案する。
我々のアプローチは、事前の物理知識と計算効率の両面から恩恵を受けるために、データ同化と学習ベースのフレームワークをブリッジする。
論文 参考訳(メタデータ) (2022-08-18T15:27:40Z) - Physics Informed Shallow Machine Learning for Wind Speed Prediction [66.05661813632568]
イタリアの32カ所の標高10mの風速計から観測された大量の風のデータセットを分析した。
我々は、過去の風の履歴を用いて教師あり学習アルゴリズムを訓練し、その価値を将来予測する。
最適設計と性能は場所によって異なることがわかった。
論文 参考訳(メタデータ) (2022-04-01T14:55:10Z) - A Deep Learning Model for Forecasting Global Monthly Mean Sea Surface
Temperature Anomalies [2.8411302762015844]
我々は,ECMWF ERA5月平均海面温度と2m大気温度データに基づいて,70年以上(1950-2021年)の深層学習時系列予測モデル(Unet-LSTM)を開発した。
このモデルでは、24カ月間の海面温度を正確に予測し、予測されるすべての月において、根平均2乗誤差は 0.75$circ$C 以下である。
また,Nino3.4地域の海面温度異常や,過去10年間の海面熱波ホットスポットの予測能力についても検討した。
論文 参考訳(メタデータ) (2022-02-21T03:11:27Z) - 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) - 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) - From Static to Dynamic Prediction: Wildfire Risk Assessment Based on
Multiple Environmental Factors [69.9674326582747]
ワイルドファイアはアメリカ合衆国西海岸で頻繁に起こる最大の災害の1つである。
カリフォルニアの山火事リスクが高い地域を解析・評価するための静的・動的予測モデルを提案します。
論文 参考訳(メタデータ) (2021-03-14T17:56:17Z) - 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。