論文の概要: Sea Ice Forecasting using Attention-based Ensemble LSTM

• arxiv url: http://arxiv.org/abs/2108.00853v1
• Date: Tue, 27 Jul 2021 21:37:29 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-08 11:18:16.799582
• Title: Sea Ice Forecasting using Attention-based Ensemble LSTM
• Title（参考訳）: 注意型アンサンブルlstmによる海氷予測
• Authors: Sahara Ali, Yiyi Huang, Xin Huang, Jianwu Wang
• Abstract要約: 本研究では,月毎の海氷範囲を最大1カ月前に予測するための,注意に基づくLong Short Term Memory(LSTM)アンサンブル手法を提案する。 日毎および月毎の衛星海氷データと,39年間にわたるERA5再分析から得られた大気および海洋の変動データを用いて,本手法がいくつかのベースラインを上回り,最近提案された深層学習モデルより優れていることを示す。
• 参考スコア（独自算出の注目度）: 4.965782577704965
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurately forecasting Arctic sea ice from subseasonal to seasonal scales has been a major scientific effort with fundamental challenges at play. In addition to physics-based earth system models, researchers have been applying multiple statistical and machine learning models for sea ice forecasting. Looking at the potential of data-driven sea ice forecasting, we propose an attention-based Long Short Term Memory (LSTM) ensemble method to predict monthly sea ice extent up to 1 month ahead. Using daily and monthly satellite retrieved sea ice data from NSIDC and atmospheric and oceanic variables from ERA5 reanalysis product for 39 years, we show that our multi-temporal ensemble method outperforms several baseline and recently proposed deep learning models. This will substantially improve our ability in predicting future Arctic sea ice changes, which is fundamental for forecasting transporting routes, resource development, coastal erosion, threats to Arctic coastal communities and wildlife.
• Abstract（参考訳）: 季節的から季節的スケールで北極海氷を正確に予測することは科学的に重要な課題となっている。 物理に基づく地球系モデルに加えて、研究者は海氷予測に複数の統計モデルと機械学習モデルを適用している。 データ駆動型海氷予測の可能性を考察し、月次海氷範囲を最大1ヶ月先まで予測するための注意ベースのLong Short Term Memory(LSTM)アンサンブル法を提案する。 日次および月次衛星によるnsidcからの海氷データと,era5再解析製品から39年間の大気・海洋変動データを用いて,本手法が複数のベースラインや最近提案された深層学習モデルを上回ることを示す。 これにより、将来の北極海氷の変化を予測する能力が大幅に向上し、輸送ルート、資源開発、海岸侵食、北極沿岸社会への脅威、野生生物の予測の基礎となる。

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)
• SIFM: A Foundation Model for Multi-granularity Arctic Sea Ice Forecasting [19.23074065880929]
  本研究では,北極海氷再解析データから自然に得られた時間的多粒度を育成することを提案する。 我々の海氷基礎モデル(SIFM)は、粒内情報と粒間情報の両方を活用するように設計されている。 実験の結果,SIFMは特定の時間的粒度の深層学習モデルよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-10-16T08:52:12Z)
• IceDiff: High Resolution and High-Quality Sea Ice Forecasting with Generative Diffusion Prior [19.7258955384779]
  より微細なスケールで海氷濃度を予測するための2段階の深層学習フレームワークIceDiffを提案する。 アイスディフは6.25km×6.25kmの解像度で海氷の予測を初めて示した。
  論文  参考訳（メタデータ） (2024-10-10T08:53:41Z)
• Surrogate Modelling for Sea Ice Concentration using Lightweight Neural Ensemble [0.3626013617212667]
  本稿ではLANE-SIという適応的な代理モデル手法を提案する。 異なる損失関数を持つ比較的単純な深層学習モデルのアンサンブルを用いて、特定水域における海氷濃度の予測を行う。 我々は,カラ海における最先端物理ベースの予測システムSEAS5に対して,20%の改善を実現している。
  論文  参考訳（メタデータ） (2023-12-07T14:48:30Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  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。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 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)
• MT-IceNet -- A Spatial and Multi-Temporal Deep Learning Model for Arctic Sea Ice Forecasting [0.31410342959104726]
  我々は,北極海氷濃度(SIC)予測のためのMT-IceNet - UNetに基づく空間・多時間深層学習モデルを提案する。 提案モデルでは,6ヶ月のリードタイムで予測誤差を最大60%低減し,画素ごとのSIC予測に有望な予測性能を提供する。
  論文  参考訳（メタデータ） (2023-08-08T18:18:31Z)
• Data-Driven Short-Term Daily Operational Sea Ice Regional Forecasting [52.77986479871782]
  地球温暖化は北極を海洋活動に利用し、信頼性の高い海氷予測の需要を生み出した。 本研究では,海氷予測のためのU-Netモデルの性能を,今後10日間にわたって検証した。 この深層学習モデルは、気象データの追加と複数の地域での訓練により、単純なベースラインをかなりの差で上回り、その品質を向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-10-17T09:14:35Z)
• 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)
• SALT: Sea lice Adaptive Lattice Tracking -- An Unsupervised Approach to Generate an Improved Ocean Model [72.3183990520267]
  シーライス分散と分布を効率的に推定するためのシーライス適応格子追跡手法を提案する。 具体的には、局所的な海洋特性に基づいて、オーシャンモデルの格子グラフにノードをマージすることで、適応的な空間メッシュを生成する。 提案手法は, 変動する気候下での海洋ライス寄生圧マップの予測モデルにより, 積極的養殖管理の促進を約束するものである。
  論文  参考訳（メタデータ） (2021-06-24T17:29:42Z)
• 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。