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

• Estimation of the Area and Precipitation Associated with a Tropical Cyclone Biparjoy by using Image Processing [6.68100259034081]
  本稿では,リモートセンシングデータを用いて降水量と被害地域への影響を推定する手法を提案する。 サイクロンに関連付けられた降水クラスターの同定と抽出に画像処理技術が用いられた。 その結果、ビパルジョイはインドとアラビア海の平均降水量は53.14mm/日であり、インドの境界は1日11.59mm/日であり、面積は411.76000平方キロメートルである。
  論文  参考訳（メタデータ） (2024-07-07T04:41:27Z)
• Data-driven Global Ocean Modeling for Seasonal to Decadal Prediction [39.7461632644892]
  ORCA-DLは,海洋循環の季節的・季節的な予測を行う最初のデータ駆動型3次元海洋モデルである。 三次元海洋力学を正確にシミュレートし、最先端の力学モデルより優れている。 ケイデンスの時間スケールで海洋力学を安定にエミュレートし、巧妙なデケイデンスの予測や気候予測にもその可能性を示す。
  論文  参考訳（メタデータ） (2024-05-24T10:23:17Z)
• 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)
• 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)
• 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)
• Sub-Seasonal Climate Forecasting via Machine Learning: Challenges, Analysis, and Advances [44.28969320556008]
  サブシーズン気候予報(SSF)は、気温や降水量などの主要な気候変数を2週間から2ヶ月の時間スケールで予測することに焦点を当てている。 本稿では,米国本土におけるSSFのための機械学習(ML)アプローチについて検討する。
  論文  参考訳（メタデータ） (2020-06-14T18:39:27Z)
• 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。