論文の概要: Identifying Distributional Differences in Convective Evolution Prior to
Rapid Intensification in Tropical Cyclones
- arxiv url: http://arxiv.org/abs/2109.12029v1
- Date: Fri, 24 Sep 2021 15:33:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-27 18:49:27.946672
- Title: Identifying Distributional Differences in Convective Evolution Prior to
Rapid Intensification in Tropical Cyclones
- Title（参考訳）: 熱帯サイクロンの急拡大前の対流進化における分布的差異の同定
- Authors: Trey McNeely, Galen Vincent, Rafael Izbicki, Kimberly M. Wood, and Ann
B. Lee
- Abstract要約: 熱帯サイクロン(TC)強度予測は6時間ごとにヒトの予測者によって発行される。
これらの時間的制約の中では、そのようなデータから洞察を引き出すのは難しい。
ここでは、強力なAI予測アルゴリズムと古典的な統計的推測を利用して、嵐の急速な激化につながるTC構造の進化におけるパターンを特定する。
- 参考スコア（独自算出の注目度）: 4.925967492198013
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Tropical cyclone (TC) intensity forecasts are issued by human forecasters who
evaluate spatio-temporal observations (e.g., satellite imagery) and model
output (e.g., numerical weather prediction, statistical models) to produce
forecasts every 6 hours. Within these time constraints, it can be challenging
to draw insight from such data. While high-capacity machine learning methods
are well suited for prediction problems with complex sequence data, extracting
interpretable scientific information with such methods is difficult. Here we
leverage powerful AI prediction algorithms and classical statistical inference
to identify patterns in the evolution of TC convective structure leading up to
the rapid intensification of a storm, hence providing forecasters and
scientists with key insight into TC behavior.
- Abstract（参考訳）: 熱帯サイクロン(tc)強度予測は、時空間観測(衛星画像など)とモデル出力(数値気象予測、統計モデルなど)を評価して6時間毎に予測を行う人間の予測者によって発行される。
このような時間的制約の中で、このようなデータから洞察を引き出すことは困難である。
高容量機械学習手法は複雑なシーケンスデータの予測問題に適しているが、解釈可能な科学的情報を抽出することは困難である。
ここでは、強力なAI予測アルゴリズムと古典的な統計的推測を利用して、嵐の急速な激化につながるTC対流構造の進化におけるパターンを特定する。
関連論文リスト
- Accurate Prediction of Temperature Indicators in Eastern China Using a Multi-Scale CNN-LSTM-Attention model [0.0]
マルチスケールの畳み込み型CNN-LSTM-Attentionアーキテクチャに基づく天気予報モデルを提案する。
このモデルは、畳み込みニューラルネットワーク(CNN)、Long Short-Term Memory(LSTM)ネットワーク、およびアテンションメカニズムを統合している。
実験結果から, モデルが高精度に温度変動を予測できることが示唆された。
論文 参考訳（メタデータ） (2024-12-11T00:42:31Z) - Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。
次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。
気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
論文 参考訳（メタデータ） (2024-08-08T06:47:21Z) - Leveraging data-driven weather models for improving numerical weather prediction skill through large-scale spectral nudging [1.747339718564314]
本研究は,気象予測に対する物理学的アプローチとAI的アプローチの相対的強みと弱みについて述べる。
GEM予測された大規模状態変数をGraphCast予測に対してスペクトル的に評価するハイブリッドNWP-AIシステムを提案する。
その結果,このハイブリッド手法は,GEMモデルの予測能力を高めるために,GraphCastの強みを活用できることが示唆された。
論文 参考訳（メタデータ） (2024-07-08T16:39:25Z) - Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
本稿では,天気予報をトレーニングデータセットを超える微細な時間スケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。
具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。
また、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークも導入する。
論文 参考訳（メタデータ） (2024-05-22T16:21:02Z) - ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
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,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。
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) - Towards an end-to-end artificial intelligence driven global weather forecasting system [57.5191940978886]
我々は,地球規模の気象変動に対するAIに基づくデータ同化モデル,すなわちAdasを提案する。
我々は,アダスが地球観測を同化して高品質な分析を行い,長期にわたって安定して運用できることを実証した。
この手法を現実のシナリオに適用するのは,私たちが初めてです。
論文 参考訳（メタデータ） (2023-12-18T09:05:28Z) - FengWu-4DVar: Coupling the Data-driven Weather Forecasting Model with 4D Variational Assimilation [67.20588721130623]
我々は,AIを用いた循環型天気予報システムFengWu-4DVarを開発した。
FengWu-4DVarは観測データをデータ駆動の天気予報モデルに組み込むことができる。
シミュレーションされた観測データセットの実験は、FengWu-4DVarが合理的な解析場を生成することができることを示した。
論文 参考訳（メタデータ） (2023-12-16T02:07:56Z) - A Distributed Approach to Meteorological Predictions: Addressing Data
Imbalance in Precipitation Prediction Models through Federated Learning and
GANs [0.0]
気象データの分類は、気象現象をクラスに分類することで、微妙な分析と正確な予測を容易にする。
分類アルゴリズムは、データ不均衡のような課題を巧みにナビゲートすることが不可欠である。
データ拡張技術は、稀だが重要な気象事象を分類する際のモデルの精度を向上させることができる。
論文 参考訳（メタデータ） (2023-10-19T21:28:20Z) - SEEDS: Emulation of Weather Forecast Ensembles with Diffusion Models [13.331224394143117]
不確かさの定量化は意思決定に不可欠である。
天気予報の不確実性を表す主要なアプローチは、予測の集合を生成することです。
本稿では,これらの予測を歴史的データから学習した深部生成拡散モデルを用いてエミュレートし,計算コストを補正することを提案する。
論文 参考訳（メタデータ） (2023-06-24T22:00:06Z) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳（メタデータ） (2020-10-08T20:25:52Z) - Structural Forecasting for Tropical Cyclone Intensity Prediction:
Providing Insight with Deep Learning [1.7587442088965226]
熱帯サイクロン(TC)強度予測は、最終的にヒトの予測者によって発行される。
提案するフレームワークはディープラーニングを活用して,エンドツーエンドの予測モデルや従来の強度ガイダンスにはないような予測を行う。
論文 参考訳（メタデータ） (2020-10-07T21:01:06Z)
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。