論文の概要: Combining data assimilation and machine learning to estimate parameters
of a convective-scale model
- arxiv url: http://arxiv.org/abs/2109.02953v1
- Date: Tue, 7 Sep 2021 09:17:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-08 14:29:27.512846
- Title: Combining data assimilation and machine learning to estimate parameters
of a convective-scale model
- Title（参考訳）: データ同化と機械学習を組み合わせて対流スケールモデルのパラメータを推定する
- Authors: Stefanie Legler, Tijana Janjic
- Abstract要約: 対流を許容する数値気象予測モデルにおける雲の表現の誤差は、異なる情報源によって導入することができる。
本研究では,2種類のニューラルネットワークをトレーニングすることにより,人工知能レンズによるパラメータ推定の問題を検討する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Errors in the representation of clouds in convection-permitting numerical
weather prediction models can be introduced by different sources. These can be
the forcing and boundary conditions, the representation of orography, the
accuracy of the numerical schemes determining the evolution of humidity and
temperature, but large contributions are due to the parametrization of
microphysics and the parametrization of processes in the surface and boundary
layers. These schemes typically contain several tunable parameters that are
either not physical or only crudely known, leading to model errors.
Traditionally, the numerical values of these model parameters are chosen by
manual model tuning. More objectively, they can be estimated from observations
by the augmented state approach during the data assimilation. Alternatively, in
this work, we look at the problem of parameter estimation through an artificial
intelligence lens by training two types of artificial neural networks (ANNs) to
estimate several parameters of the one-dimensional modified shallow-water model
as a function of the observations or analysis of the atmospheric state. Through
perfect model experiments, we show that Bayesian neural networks (BNNs) and
Bayesian approximations of point estimate neural networks (NNs) are able to
estimate model parameters and their relevant statistics. The estimation of
parameters combined with data assimilation for the state decreases the initial
state errors even when assimilating sparse and noisy observations. The
sensitivity to the number of ensemble members, observation coverage, and neural
network size is shown. Additionally, we use the method of layer-wise relevance
propagation to gain insight into how the ANNs are learning and discover that
they naturally select only a few gridpoints that are subject to strong winds
and rain to make their predictions of chosen parameters.
- Abstract（参考訳）: 対流パーミット数値気象予測モデルにおける雲表現の誤差は、異なる情報源によって引き起こされる。
これらは、強制と境界条件、オーログラフィーの表現、湿度と温度の進化を決定する数値スキームの精度であるが、これは微小物理学のパラメトリゼーションと表面および境界層におけるプロセスのパラメトリゼーションによる大きな貢献である。
これらのスキームは典型的には、物理的でも粗悪でも知られていないいくつかの調整可能なパラメータを含み、モデルエラーにつながる。
伝統的に、これらのモデルパラメータの数値は手動モデルチューニングによって選択される。
より客観的に、データ同化中の拡張状態アプローチによる観測から推定することができる。
本研究では,2種類のニューラルネットワーク(anns)を訓練し,大気状態の観測や解析の関数として1次元修正浅層水モデルのパラメータを推定することにより,人工知能レンズによるパラメータ推定の問題を検討する。
完全モデル実験により、ベイズニューラルネットワーク(BNN)とベイズニューラルネットワーク(NN)の近似がモデルパラメータとその関連する統計を推定できることが示されている。
状態に対するデータ同化と組み合わせたパラメータの推定は、スパースやノイズの観測を同化しても初期状態エラーを減少させる。
また、アンサンブル部材数、観測範囲、ニューラルネットワークサイズに対する感度を示す。
さらに,層間相関伝播の手法を用いて,アンがどのように学習しているかを把握し,自然に強い風と雨の影響を受けるいくつかの格子点のみを選択し,選択したパラメータの予測を行うことを発見した。
関連論文リスト
- Latent diffusion models for parameterization and data assimilation of facies-based geomodels [0.0]
拡散モデルは、ランダムノイズを特徴とする入力場から新しい地質学的実現を生成するために訓練される。
遅延拡散モデルは、ジオモデリングソフトウェアからのサンプルと視覚的に整合した実現を提供する。
論文 参考訳（メタデータ） (2024-06-21T01:32:03Z) - Efficient modeling of sub-kilometer surface wind with Gaussian processes and neural networks [0.0]
風は、その空間的および時間的変動が高いため、モデルにとって特に困難な変数である。
本稿では,ガウス過程(GP)とニューラルネットワークを統合し,表面風洞をモデル化する新しい手法を提案する。
本稿では,異なるモデル選択の効果,および近似の度合いについて論じ,ケーススタディにおける結果について述べる。
論文 参考訳（メタデータ） (2024-05-21T09:07:47Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Learning to Learn with Generative Models of Neural Network Checkpoints [71.06722933442956]
ニューラルネットワークのチェックポイントのデータセットを構築し,パラメータの生成モデルをトレーニングする。
提案手法は,幅広い損失プロンプトに対するパラメータの生成に成功している。
我々は、教師付きおよび強化学習における異なるニューラルネットワークアーキテクチャとタスクに本手法を適用した。
論文 参考訳（メタデータ） (2022-09-26T17:59:58Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - Physics-constrained deep neural network method for estimating parameters
in a redox flow battery [68.8204255655161]
バナジウムフローバッテリ(VRFB)のゼロ次元(0D)モデルにおけるパラメータ推定のための物理拘束型ディープニューラルネットワーク(PCDNN)を提案する。
そこで, PCDNN法は, 動作条件のモデルパラメータを推定し, 電圧の0Dモデル予測を改善することができることを示す。
また,PCDNNアプローチでは,トレーニングに使用しない操作条件のパラメータ値を推定する一般化能力が向上することが実証された。
論文 参考訳（メタデータ） (2021-06-21T23:42:58Z) - Post-mortem on a deep learning contest: a Simpson's paradox and the
complementary roles of scale metrics versus shape metrics [61.49826776409194]
我々は、ニューラルネットワーク(NN)モデルの一般化精度を予測するために、コンテストで公に利用可能にされたモデルのコーパスを分析する。
メトリクスが全体としてよく機能するが、データのサブパーティションではあまり機能しない。
本稿では,データに依存しない2つの新しい形状指標と,一連のNNのテスト精度の傾向を予測できるデータ依存指標を提案する。
論文 参考訳（メタデータ） (2021-06-01T19:19:49Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳（メタデータ） (2021-02-12T12:23:13Z) - Parameter Estimation with Dense and Convolutional Neural Networks
Applied to the FitzHugh-Nagumo ODE [0.0]
密度層と畳み込み層を用いた深層ニューラルネットワークを逆問題として提示し,Fitz-Nagumoモデルのパラメータを推定する。
深層ニューラルネットワークは、動的モデルやプロセスにおけるパラメータを推定する可能性があり、フレームワークのパラメータを正確に予測することができることを実証する。
論文 参考訳（メタデータ） (2020-12-12T01:20:42Z) - Stochastic analysis of heterogeneous porous material with modified
neural architecture search (NAS) based physics-informed neural networks using
transfer learning [0.0]
修正ニューラルアーキテクチャ探索法(NAS)に基づく物理インフォームド深層学習モデルを提案する。
高度不均質帯水層における地下水流動シミュレーションのベンチマークを行うため, 三次元流れモデルを構築した。
論文 参考訳（メタデータ） (2020-10-03T19:57:54Z)
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。