Fugu-MT 論文翻訳(概要): A Variational U-Net for Weather Forecasting

論文の概要: A Variational U-Net for Weather Forecasting

arxiv url: http://arxiv.org/abs/2111.03476v1
Date: Fri, 5 Nov 2021 12:52:15 GMT
ステータス: 処理完了
システム内更新日: 2021-11-08 18:24:50.298073
Title: A Variational U-Net for Weather Forecasting
Title（参考訳）: 気象予報のための変分U-Net
Authors: Pak Hay Kwok and Qi Qi
Abstract要約: 本稿では,データの確率性を考慮した変分オートエンコーダと,詳細な詳細を復元するU-Netの機能を組み合わせた新しい変分U-Netを提案する。このソリューションは、多くの共通点を持つTraffic4cast 2020の4番目のソリューションから進化したもので、非常に異なるドメインに適用可能であることを示唆しています。
参考スコア（独自算出の注目度）: 4.0847949901305
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Not only can discovering patterns and insights from atmospheric data enable more accurate weather predictions, but it may also provide valuable information to help tackle climate change. Weather4cast is an open competition that aims to evaluate machine learning algorithms' capability to predict future atmospheric states. Here, we describe our third-place solution to Weather4cast. We present a novel Variational U-Net that combines a Variational Autoencoder's ability to consider the probabilistic nature of data with a U-Net's ability to recover fine-grained details. This solution is an evolution from our fourth-place solution to Traffic4cast 2020 with many commonalities, suggesting its applicability to vastly different domains, such as weather and traffic.
Abstract（参考訳）: 大気データからパターンや洞察を見つけることは、より正確な天気予報を可能にするだけでなく、気候変動に取り組む上で有用な情報を提供するかもしれない。 weather4castは、将来の大気状態を予測する機械学習アルゴリズムの能力を評価するオープンコンペティションである。ここでは、Weather4castの3番目のソリューションについて説明します。本稿では,データの確率性を考慮した変分オートエンコーダと,詳細な詳細を復元するU-Netの機能を組み合わせた新しい変分U-Netを提案する。このソリューションは、私たちの4番目のソリューションから、多くの共通点を持つtraffic4cast 2020への進化であり、天候や交通といった、非常に異なるドメインに適用可能であることを示唆している。

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)
CoDiCast: Conditional Diffusion Model for Weather Prediction with Uncertainty Quantification [25.325450602084484]
CoDiCastは、正確なグローバル気象予測を生成する条件拡散モデルである。 80GBメモリのコモディティA100マシンでは、3日間のグローバルな天気予報を5変数以上で6時間歩数5.625円で生成できる。
論文参考訳（メタデータ） (2024-09-09T18:18:47Z)
Skilful Precipitation Nowcasting Using NowcastNet [0.0]
降水今流しは、農業、輸送、公衆衛生、安全等に影響を及ぼすような事態に備えるのに役立ちます。我々は最近提案した,物理条件の深い生成ネットワークである NowcastNet を用いて,衛星画像を用いたヨーロッパ各地の降水量の予測を行った。
論文参考訳（メタデータ） (2023-11-29T11:24:52Z)
GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
論文参考訳（メタデータ） (2022-12-24T18:15:39Z)
Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast [91.9372563527801]
我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。 Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
論文参考訳（メタデータ） (2022-11-03T17:19:43Z)
A Novel Transformer Network with Shifted Window Cross-Attention for Spatiotemporal Weather Forecasting [5.414308305392762]
我々は,ビデオトランスを用いた天気予報の課題に取り組む。視覚変換器のアーキテクチャは様々な用途で研究されている。本稿では,ビデオスウィン・トランスフォーマーと専用拡張スキームの併用を提案する。
論文参考訳（メタデータ） (2022-08-02T05:04:53Z)
Forecasting Future World Events with Neural Networks [68.43460909545063]
Autocastは数千の予測質問と付随するニュースコーパスを含むデータセットである。ニュースコーパスは日付によって整理され、人間が過去の予測を行った条件を正確にシミュレートすることができる。予測タスクで言語モデルをテストし、パフォーマンスが人間専門家のベースラインよりはるかに低いことを確認します。
論文参考訳（メタデータ） (2022-06-30T17:59:14Z)
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)
Efficient spatio-temporal weather forecasting using U-Net [0.0]
天気予報は、人間の日常生活における様々な側面において重要な役割を果たす。ディープラーニングに基づくモデルは、多くの天気予報関連タスクで広範囲に成功している。
論文参考訳（メタデータ） (2021-12-13T10:28:33Z)
Short-term precipitation prediction using deep learning [5.1589108738893215]
気象フィールドの1つのフレームを用いた3次元畳み込みニューラルネットワークは降水空間分布を予測することができることを示す。このネットワークは、気象学の39年 (1980-2018) のデータと、連続した米国上空の毎日の降水に基づいて開発されている。
論文参考訳（メタデータ） (2021-10-05T06:37:24Z)
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。