論文の概要: Modeling of Pan Evaporation Based on the Development of Machine Learning
Methods
- arxiv url: http://arxiv.org/abs/2110.04749v1
- Date: Sun, 10 Oct 2021 10:06:16 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-16 16:39:53.172395
- Title: Modeling of Pan Evaporation Based on the Development of Machine Learning
Methods
- Title(参考訳): 機械学習手法の開発に基づくパン蒸発のモデル化
- Authors: Mustafa Al-Mukhtar
- Abstract要約: 気温、風速、日照時間、湿度、太陽放射などの気候変化は蒸発過程に大きな影響を及ぼす可能性がある。
本研究の目的は、毎月のパン蒸発推定をモデル化するための機械学習(ML)モデルの有効性を検討することである。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: For effective planning and management of water resources and implementation
of the related strategies, it is important to ensure proper estimation of
evaporation losses, especially in regions that are prone to drought. Changes in
climatic factors, such as changes in temperature, wind speed, sunshine hours,
humidity, and solar radiation can have a significant impact on the evaporation
process. As such, evaporation is a highly non-linear, non-stationary process,
and can be difficult to be modeled based on climatic factors, especially in
different agro-climatic conditions. The aim of this study, therefore, is to
investigate the feasibility of several machines learning (ML) models
(conditional random forest regression, Multivariate Adaptive Regression
Splines, Bagged Multivariate Adaptive Regression Splines, Model Tree M5, K-
nearest neighbor, and the weighted K- nearest neighbor) for modeling the
monthly pan evaporation estimation. This study proposes the development of
newly explored ML models for modeling evaporation losses in three different
locations over the Iraq region based on the available climatic data in such
areas. The evaluation of the performance of the proposed model based on various
evaluation criteria showed the capability of the proposed weighted K- nearest
neighbor model in modeling the monthly evaporation losses in the studies areas
with better accuracy when compared with the other existing models used as a
benchmark in this study.
- Abstract(参考訳): 水資源の効率的な計画・管理とそれに関連する戦略の実施には,特に干ばつがちな地域では,蒸発損失の適切な推定が重要である。
気温、風速、日照時間、湿度、太陽放射の変化などの気候要因の変化は蒸発過程に大きな影響を与える可能性がある。
このように、蒸発は高度に非線形で非定常な過程であり、特に異なるアグロ気候条件において、気候要因に基づいてモデル化することが困難である。
そこで本研究では,数種類の機械学習モデル(条件付きランダムフォレスト回帰,多変量適応回帰スプライン,タグ付き多変量適応回帰スプライン,モデルツリーM5,Knearest近傍,および重み付きK近傍)が,毎月のパン蒸発推定をモデル化する可能性について検討する。
本研究では,これらの地域で利用可能な気候データに基づいて,イラクの3つの異なる地域での蒸発損失をモデル化するためのMLモデルの開発を提案する。
様々な評価基準に基づき, 提案モデルの性能評価を行った結果, 評価指標として用いた他のモデルと比較して, 研究領域における月々蒸発損失を精度良くモデル化する上で, 重み付きk近傍モデルの有用性が示された。
関連論文リスト
- Validating Climate Models with Spherical Convolutional Wasserstein
Distance [6.391314424489529]
我々は、気候モデルと再分析データの違いをより包括的に測定するために、球面畳み込みワッサースタイン距離を導入する。
この新たな類似度尺度は、畳み込み予測を用いて空間変動を考慮し、気候変数の分布の局所的な差異を定量化する。
論文 参考訳(メタデータ) (2024-01-26T05:35:50Z) - Comparing Data-Driven and Mechanistic Models for Predicting Phenology in
Deciduous Broadleaf Forests [47.285748922842444]
我々は、気象時系列から表現指標を予測するために、ディープニューラルネットワークを訓練する。
このアプローチは従来のプロセスベースのモデルよりも優れています。
論文 参考訳(メタデータ) (2024-01-08T15:29:23Z) - Generating High-Resolution Regional Precipitation Using Conditional
Diffusion Model [7.784934642915291]
本稿では,気候データ,特に地域規模での降水量について,より詳細な生成モデルを提案する。
複数のLR気候変数に条件付き拡散確率モデルを用いる。
以上の結果から,下降気候データにおける条件拡散モデルの有効性が示唆された。
論文 参考訳(メタデータ) (2023-12-12T09:39:52Z) - 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) - Long-term drought prediction using deep neural networks based on
geospatial weather data [78.63225885697149]
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。
多様な時間的ニューラルネットワークモデルを用いたエンドツーエンドアプローチを導入することで、干ばつデータに対処する。
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) - DiffESM: Conditional Emulation of Earth System Models with Diffusion
Models [2.1989764549743476]
地球系モデル (ESMs) の重要な応用は、熱波や乾燥した呪文のような極端な気象現象を研究することである。
拡散モデルにより、以前にもみられなかった気候シナリオ下でのESMの傾向を効果的にエミュレートできることを示す。
論文 参考訳(メタデータ) (2023-04-23T17:12:33Z) - 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) - Multi-scale Digital Twin: Developing a fast and physics-informed
surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。
U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。
並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
論文 参考訳(メタデータ) (2022-11-20T06:46:35Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳(メタデータ) (2021-06-08T14:48:20Z) - TRU-NET: A Deep Learning Approach to High Resolution Prediction of
Rainfall [21.399707529966474]
本稿では,連続的畳み込み再帰層間の新しい2次元クロスアテンション機構を特徴とするエンコーダデコーダモデルであるTRU-NETを提案する。
降雨のゼロ・スクイド・%極端事象パターンを捉えるために,条件付き連続損失関数を用いた。
実験の結果,短期降水予測ではDLモデルよりもRMSEとMAEのスコアが低いことがわかった。
論文 参考訳(メタデータ) (2020-08-20T17:27:59Z) - Crop Yield Prediction Integrating Genotype and Weather Variables Using
Deep Learning [8.786816847837976]
我々は,北米のUniform Soybean Tests (UST) から13年間のデータにまたがる過去のパフォーマンス記録を用いて,複数環境でジェノタイプ応答を検出・予測するために,Long Short Term Memory - Recurrent Neural Network based modelを構築した。
我々は、このディープラーニングフレームワークを「仮説生成ツール」としてデプロイし、GxExM関係を解き放つ。
異なる気候条件下でのダイズおよび他の作物に対するこのアプローチの適用性(感度分析および「What-if」シナリオ)について検討した。
論文 参考訳(メタデータ) (2020-06-24T16:20:12Z)
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。