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
- 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) - FengWu-4DVar: Coupling the Data-driven Weather Forecasting Model with 4D
Variational Assimilation [71.21242137496031]
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) - Scaling transformer neural networks for skillful and reliable
medium-range weather forecasting [24.02355555479722]
本稿では,標準変圧器バックボーンの変更を最小限に抑えつつ,気象予報の最先端性能であるStormerを紹介する。
Stormerの中核はランダムな予測目標であり、様々な時間間隔で天気のダイナミクスを予測するためにモデルを訓練する。
ウェザーベンチ2では、ストーマーは短距離から中距離の予測で競争力を発揮し、現在の手法を7日を超えて上回っている。
論文 参考訳(メタデータ) (2023-12-06T19:46:06Z) - 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) - 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) - 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) - A case study of spatiotemporal forecasting techniques for weather
forecasting [0.0]
本稿では,地域データによる気象予報の様々な手法,すなわち時間的相関を捉えるために,複数の経度点にまたがる予測手法について検討する。
その結果, 列車の動的分解モードに基づく予測モデルでは, トレーニングを必要とせず, ほぼ同等の精度で予測できることがわかった。
論文 参考訳(メタデータ) (2022-09-29T13:47:02Z) - 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) - 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) - 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。