論文の概要: Extreme Precipitation Seasonal Forecast Using a Transformer Neural
Network
- arxiv url: http://arxiv.org/abs/2107.06846v1
- Date: Wed, 14 Jul 2021 17:02:15 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-15 16:24:25.345529
- Title: Extreme Precipitation Seasonal Forecast Using a Transformer Neural
Network
- Title(参考訳): トランスニューラルネットワークを用いた極端な降雨季節予測
- Authors: Daniel Salles Civitarese, Daniela Szwarcman, Bianca Zadrozny, Campbell
Watson
- Abstract要約: 本稿では, 時間融合変圧器 (TFT) モデルを用いて, 毎週最大降水量の定量化を最大6ヶ月前に予測する手法を提案する。
以上の結果から,TFT予測はS5の予測よりも有意に優れており,気候学に比べて全体的な改善は少ないことが示唆された。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: An impact of climate change is the increase in frequency and intensity of
extreme precipitation events. However, confidently predicting the likelihood of
extreme precipitation at seasonal scales remains an outstanding challenge.
Here, we present an approach to forecasting the quantiles of the maximum daily
precipitation in each week up to six months ahead using the temporal fusion
transformer (TFT) model. Through experiments in two regions, we compare TFT
predictions with those of two baselines: climatology and a calibrated ECMWF
SEAS5 ensemble forecast (S5). Our results show that, in terms of quantile risk
at six month lead time, the TFT predictions significantly outperform those from
S5 and show an overall small improvement compared to climatology. The TFT also
responds positively to departures from normal that climatology cannot.
- Abstract(参考訳): 気候変動の影響は、極端な降水現象の頻度と強度の増加である。
しかし、季節スケールでの極端な降水確率を確実に予測することは大きな課題である。
本稿では, 時間融合変圧器 (TFT) モデルを用いて, 週ごとの最大降水量の予測手法を提案する。
2つの地域での実験を通して、TFT予測を気候学と校正ECMWF SEAS5アンサンブル予測(S5)の2つの基準線と比較した。
その結果,6ヶ月のリードタイムでの質的リスクの観点からは,tft予測がs5の予測を大きく上回っており,気候学に比べて全体の改善がみられた。
TFTはまた、気候学ができないという正常からの離脱に肯定的に反応する。
関連論文リスト
- ExtremeCast: Boosting Extreme Value Prediction for Global Weather
Forecast [61.138475638813354]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。
また,ExEnsembleという名称のトレーニングフリーな極値拡張戦略を導入し,画素値のばらつきを増大させ,予測ロバスト性を向上させる。
提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文 参考訳(メタデータ) (2024-02-02T10:34:13Z) - FuXi-S2S: An accurate machine learning model for global subseasonal
forecasts [14.264411727585347]
FuXi Subseasonal-to-Seasonal (FuXi-S2S)は、機械学習に基づくサブシーズン予測モデルである。
FuXi-S2Sは、拡張されたFuXiベースモデルと、隠れた特徴のフロー依存摂動のための摂動モジュールを統合している。
年間平均気温は最大42日で、13の圧力レベルと11の地表変数で5つの上層大気変数をカバーしている。
論文 参考訳(メタデータ) (2023-12-15T16:31:44Z) - 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) - A Deep Learning Method for Real-time Bias Correction of Wind Field
Forecasts in the Western North Pacific [24.287588853356972]
2020年12月から2021年11月までにECから10日間の風速予測のための実時間転動バイアス補正を行った。
風速と風向バイアスはそれぞれ8-11%,9-14%減少した。
論文 参考訳(メタデータ) (2022-12-29T02:58:12Z) - Multi-scale Digital Twin: Developing a fast and physics-informed
surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。
U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。
並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
論文 参考訳(メタデータ) (2022-11-20T06:46:35Z) - Adaptive Bias Correction for Improved Subseasonal Forecasting [22.29412394093264]
沈降予測は効果的な水配分、山火事の管理、干ばつと洪水の緩和に重要である。
近年の国際研究は、運用力学モデルのサブシーズン能力の向上に寄与している。
本稿では,最先端の動的予測と機械学習を用いた観測を組み合わせ,適応バイアス補正(ABC)手法を提案する。
論文 参考訳(メタデータ) (2022-09-21T21:22:44Z) - Forecasting large-scale circulation regimes using deformable
convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討
今後1~15日にわたって北大西洋-欧州の気象条件を予測した。
より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5~6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
論文 参考訳(メタデータ) (2022-02-10T11:37:00Z) - 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。