論文の概要: Skillful Twelve Hour Precipitation Forecasts using Large Context Neural
Networks
- arxiv url: http://arxiv.org/abs/2111.07470v1
- Date: Sun, 14 Nov 2021 22:53:04 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-17 04:41:20.214908
- Title: Skillful Twelve Hour Precipitation Forecasts using Large Context Neural
Networks
- Title(参考訳): 大規模コンテキストニューラルネットを用いた12時間雨量予測
- Authors: Lasse Espeholt, Shreya Agrawal, Casper S{\o}nderby, Manoj Kumar,
Jonathan Heek, Carla Bromberg, Cenk Gazen, Jason Hickey, Aaron Bell, Nal
Kalchbrenner
- Abstract要約: 現在の運用予測モデルは物理に基づいており、大気をシミュレートするためにスーパーコンピュータを使用している。
ニューラルネットワークに基づく新しい気象モデルのクラスは、天気予報のパラダイムシフトを表している。
最大12時間前に降水予測が可能なニューラルネットワークを提案する。
- 参考スコア(独自算出の注目度): 8.086653045816151
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The problem of forecasting weather has been scientifically studied for
centuries due to its high impact on human lives, transportation, food
production and energy management, among others. Current operational forecasting
models are based on physics and use supercomputers to simulate the atmosphere
to make forecasts hours and days in advance. Better physics-based forecasts
require improvements in the models themselves, which can be a substantial
scientific challenge, as well as improvements in the underlying resolution,
which can be computationally prohibitive. An emerging class of weather models
based on neural networks represents a paradigm shift in weather forecasting:
the models learn the required transformations from data instead of relying on
hand-coded physics and are computationally efficient. For neural models,
however, each additional hour of lead time poses a substantial challenge as it
requires capturing ever larger spatial contexts and increases the uncertainty
of the prediction. In this work, we present a neural network that is capable of
large-scale precipitation forecasting up to twelve hours ahead and, starting
from the same atmospheric state, the model achieves greater skill than the
state-of-the-art physics-based models HRRR and HREF that currently operate in
the Continental United States. Interpretability analyses reinforce the
observation that the model learns to emulate advanced physics principles. These
results represent a substantial step towards establishing a new paradigm of
efficient forecasting with neural networks.
- Abstract(参考訳): 天気予報の問題は、人間の生活、輸送、食料生産、エネルギー管理などに大きな影響を与えるため、何世紀にもわたって科学的に研究されてきた。
現在の運用予測モデルは物理学に基づいており、スーパーコンピュータを使って大気をシミュレートし、予報に数時間と数日を費やす。
物理ベースの予測の改善には、モデル自体の改善が必要であり、これは大きな科学的課題であり、基礎となる分解能の改善であり、計算的に禁止される可能性がある。
ニューラルネットワークに基づく新たなタイプの気象モデルは、天気予報のパラダイムシフトを表している。モデルは、手書きの物理学に頼るのではなく、データから必要な変換を学習し、計算効率が向上する。
しかし、ニューラルモデルでは、より大きな空間コンテキストをキャプチャし、予測の不確実性を高める必要があるため、追加のリード時間毎に大きな課題が生じる。
本研究では,米国大陸で運用されている最新の物理モデルであるhrrrとhrefよりも,最大12時間前の大規模降水予測が可能なニューラルネットワークを提案する。
解釈可能性分析は、モデルが高度な物理学原理をエミュレートすることを学ぶ観察を強化する。
これらの結果は、ニューラルネットワークによる効率的な予測の新しいパラダイムを確立するための重要なステップである。
関連論文リスト
- Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
気象予報に拡散モデル(DM)を適用した新しい手法を提案する。
提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。
我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
論文 参考訳(メタデータ) (2024-02-06T21:28:42Z) - AirPhyNet: Harnessing Physics-Guided Neural Networks for Air Quality
Prediction [40.58819011476455]
本稿では,空気質予測のための物理誘導ニューラルネットワーク(AirPhyNet)という新しいアプローチを提案する。
我々は、空気粒子移動(拡散と対流)の2つの確立された物理原理を微分方程式ネットワークとして表現することで活用する。
2つの実世界のベンチマークデータセットの実験では、AirPhyNetがさまざまなテストシナリオの最先端モデルを上回っていることが示されている。
論文 参考訳(メタデータ) (2024-02-06T07:55:54Z) - Efficient Subseasonal Weather Forecast using Teleconnection-informed
Transformers [29.33938664834226]
季節的な予測は農業、水資源管理、災害の早期警戒に重要である。
機械学習の最近の進歩は、数値モデルに対する競争力のある予測能力を達成することで天気予報に革命をもたらした。
しかし、そのような基礎モデルのトレーニングには何千日ものGPU日が必要であるため、かなりの炭素排出量が発生する。
論文 参考訳(メタデータ) (2024-01-31T14:27:35Z) - FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather
Forecasting [56.73502043159699]
この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。
低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。
2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
論文 参考訳(メタデータ) (2024-01-28T13:23:25Z) - 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) - An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳(メタデータ) (2022-04-18T23:42:18Z) - 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) - 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) - 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) - Improving data-driven global weather prediction using deep convolutional
neural networks on a cubed sphere [7.918783985810551]
深層畳み込みニューラルネットワーク(CNN)を用いたデータ駆動型世界天気予報フレームワークを提案する。
このフレームワークの新しい開発には、オフラインの体積保存的マッピングから立方体球格子へのマッピングが含まれる。
我々のモデルでは、入力された大気状態の少ない変数から複雑な表面温度パターンを予測することができる。
論文 参考訳(メタデータ) (2020-03-15T19:57:34Z)
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。