論文の概要: Physics-informed generative neural network: an application to troposphere temperature prediction

• arxiv url: http://arxiv.org/abs/2107.06991v1
• Date: Thu, 8 Jul 2021 09:07:07 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-18 12:28:02.533365
• Title: Physics-informed generative neural network: an application to troposphere temperature prediction
• Title（参考訳）: 物理インフォームド生成ニューラルネットワーク : 対流圏温度予測への応用
• Authors: Zhihao Chen, Jie Gao, Weikai Wang and Zheng Yan
• Abstract要約: 本稿では,物理インフォームド深層学習における新しい温度予測手法を提案する。 PGnetと呼ばれる新しいモデルは、マスクマトリックスを備えた生成ニューラルネットワークの上に構築されている。 ERA5の実験では、PGnetは最先端技術よりもより洗練された温度予測を生成できることが示されている。
• 参考スコア（独自算出の注目度）: 7.671706872145985
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The troposphere is one of the atmospheric layers where most weather phenomena occur. Temperature variations in the troposphere, especially at 500 hPa, a typical level of the middle troposphere, are significant indicators of future weather changes. Numerical weather prediction is effective for temperature prediction, but its computational complexity hinders a timely response. This paper proposes a novel temperature prediction approach in framework ofphysics-informed deep learning. The new model, called PGnet, builds upon a generative neural network with a mask matrix. The mask is designed to distinguish the low-quality predicted regions generated by the first physical stage. The generative neural network takes the mask as prior for the second-stage refined predictions. A mask-loss and a jump pattern strategy are developed to train the generative neural network without accumulating errors during making time-series predictions. Experiments on ERA5 demonstrate that PGnet can generate more refined temperature predictions than the state-of-the-art.
• Abstract（参考訳）: 対流圏は、ほとんどの気象現象が起こる大気層の1つである。 対流圏の温度変化、特に中間対流圏の典型的なレベルである500 hPaは、将来の気象変化を示す重要な指標である。 数値気象予測は温度予測に有効であるが、その計算複雑性はタイムリーな応答を妨げる。 本稿では,物理インフォームド深層学習における新しい温度予測手法を提案する。 新しいモデルはpgnetと呼ばれ、マスクマトリックスを備えた生成ニューラルネットワーク上に構築されている。 マスクは、第1物理ステージによって生成される低品質の予測領域を識別するために設計されている。 生成ニューラルネットワークは、第2ステージの洗練された予測にマスクを前倒しする。 時系列予測を行う際に誤差を蓄積することなく生成ニューラルネットワークを訓練するためにマスクロスとジャンプパターン戦略を開発した。 era5の実験では、pgnetが最先端の温度予測を生成できることが示されている。

関連論文リスト

• Back to the Future: GNN-based NO$_2$ Forecasting via Future Covariates [49.93577170464313]
  都市全域にわたる地上監視ネットワークにおける大気質観測について検討する。 我々は過去と将来の共変分を現在の観測に埋め込む条件付きブロックを提案する。 将来の気象情報に対する条件付けは,過去の交通状況を考えるよりも影響が大きいことが判明した。
  論文  参考訳（メタデータ） (2024-04-08T09:13:16Z)
• ClimaX: A foundation model for weather and climate [51.208269971019504]
  ClimaXは気象と気候科学のディープラーニングモデルである。 気候データセットの自己教師型学習目標で事前トレーニングすることができる。 気候や気候の様々な問題に対処するために、微調整が可能である。
  論文  参考訳（メタデータ） (2023-01-24T23:19:01Z)
• 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)
• Probabilistic forecasts of extreme heatwaves using convolutional neural networks in a regime of lack of data [6.972317847755389]
  極端熱波の予測モデルを構築する手法を開発した。 これらのモデルは、非常に長い8000年間の気候モデル出力に基づいて訓練された畳み込みニューラルネットワークに基づいている。 ディープニューラルネットワークは、フランス上空の14日間のヒートウェーブに対して、この目的に適していることを示す。
  論文  参考訳（メタデータ） (2022-08-01T16:19:38Z)
• 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)
• Short-term precipitation prediction using deep learning [5.1589108738893215]
  気象フィールドの1つのフレームを用いた3次元畳み込みニューラルネットワークは降水空間分布を予測することができることを示す。 このネットワークは、気象学の39年 (1980-2018) のデータと、連続した米国上空の毎日の降水に基づいて開発されている。
  論文  参考訳（メタデータ） (2021-10-05T06:37:24Z)
• Probabilistic modeling of lake surface water temperature using a Bayesian spatio-temporal graph convolutional neural network [55.41644538483948]
  本研究では,湖沼の温度をある程度の深さでシミュレーションし,気象学的特徴と合わせて評価することを提案する。 本研究は,提案モデルが湖沼表面全体に均質に優れた性能をもたらすことを示す。 結果は、最先端のベイズ深層学習法と比較される。
  論文  参考訳（メタデータ） (2021-09-27T09:19:53Z)
• A computationally efficient neural network for predicting weather forecast probabilities [0.0]
  ニューラルネットワークを用いて1つの出力値ではなく確率密度関数を予測するという,新しいアプローチを採用する。 これにより、ニューラルネットワーク予測における不確実性とスキルメトリクスの両方の計算が可能になる。 このアプローチは純粋にデータ駆動であり、ニューラルネットワークはWeatherBenchデータセット上で訓練される。
  論文  参考訳（メタデータ） (2021-03-26T12:28:15Z)
• SmaAt-UNet: Precipitation Nowcasting using a Small Attention-UNet Architecture [5.28539620288341]
  データ駆動型ニューラルネットワークのアプローチにより,正確な降水量を推定できることが示唆された。 オランダ地域の降水マップとフランスのクラウドカバレッジのバイナリ画像を用いて、実際のデータセットに対する我々のアプローチを評価した。
  論文  参考訳（メタデータ） (2020-07-08T20:33:10Z)
• 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)
• Ensemble methods for neural network-based weather forecasts [0.0]
  我々は,決定論的ニューラルネットワーク天気予報システムをアンサンブル予測システムに変換することを目指している。 ランダムな初期摂動、ニューラルネットワークの再学習、ネットワークにおけるランダムなドロップアウトの使用、特異ベクトル分解による初期摂動の生成の4つの方法をテストする。
  論文  参考訳（メタデータ） (2020-02-13T09:28:21Z)

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。