論文の概要: MS-nowcasting: Operational Precipitation Nowcasting with Convolutional
LSTMs at Microsoft Weather
- arxiv url: http://arxiv.org/abs/2111.09954v1
- Date: Thu, 18 Nov 2021 21:55:49 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-22 15:50:33.041472
- Title: MS-nowcasting: Operational Precipitation Nowcasting with Convolutional
LSTMs at Microsoft Weather
- Title(参考訳): MS-nowcasting: Microsoft Weatherにおける畳み込みLSTMによる運用上の沈降
- Authors: Sylwester Klocek, Haiyu Dong, Matthew Dixon, Panashe Kanengoni, Najeeb
Kazmi, Pete Luferenko, Zhongjian Lv, Shikhar Sharma, Jonathan Weyn, Siqi
Xiang
- Abstract要約: 筆者らは,Microsoft Weather の運用型降水管理製品を活用した,エンコーダ・プリキャスト・畳み込み長短期記憶(LSTM)深層学習モデルを提案する。
このモデルは気象レーダーモザイクの連続を入力として、リードタイムで最大6時間、将来のレーダー反射率を決定論的に予測する。
- 参考スコア(独自算出の注目度): 1.7780828990105975
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present the encoder-forecaster convolutional long short-term memory (LSTM)
deep-learning model that powers Microsoft Weather's operational precipitation
nowcasting product. This model takes as input a sequence of weather radar
mosaics and deterministically predicts future radar reflectivity at lead times
up to 6 hours. By stacking a large input receptive field along the feature
dimension and conditioning the model's forecaster with predictions from the
physics-based High Resolution Rapid Refresh (HRRR) model, we are able to
outperform optical flow and HRRR baselines by 20-25% on multiple metrics
averaged over all lead times.
- Abstract(参考訳): 本稿では,microsoft weatherの運転時降雨nowcasting製品を支えるエンコーダ・フォアキャスター畳み込み型long short-term memory(lstm)ディープラーニングモデルを提案する。
このモデルは、気象レーダーモザイクのシーケンスを入力とし、リードタイムを最大6時間で将来のレーダー反射率を決定論的に予測する。
物理に基づく高分解能ラピッドリフレッシュ(HRRR)モデルを用いて,特徴次元に沿って大きな入力受容場を積み重ね,モデルの予測器を条件付けることで,すべてのリードタイムの平均値に対して,光学的フローとHRRRベースラインを20~25%上回ることができる。
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) - Short-term Precipitation Forecasting in The Netherlands: An Application
of Convolutional LSTM neural networks to weather radar data [0.0]
この研究は、空間パターン認識のための畳み込みニューラルネットワーク(CNN)層と、時間的シーケンスをモデル化するためのLSTMネットワーク層を組み合わせたものである。
このモデルはオランダの気象レーダーデータに基づいて訓練され、検証された。
その結果,降水運動の方向と強度の予測には高い精度が得られた。
論文 参考訳(メタデータ) (2023-12-02T18:13:45Z) - Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。
提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
論文 参考訳(メタデータ) (2023-11-30T08:22:08Z) - 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) - ARFA: An Asymmetric Receptive Field Autoencoder Model for Spatiotemporal
Prediction [55.30913411696375]
本稿では,非対称な受容場オートエンコーダ (ARFA) モデルを提案する。
エンコーダでは,大域的時間的特徴抽出のための大規模なカーネルモジュールを提案し,デコーダでは局所的時間的再構成のための小さなカーネルモジュールを開発する。
降水予測のための大規模レーダエコーデータセットであるRainBenchを構築し,その領域における気象データの不足に対処する。
論文 参考訳(メタデータ) (2023-09-01T07:55:53Z) - Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。
MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。
MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
論文 参考訳(メタデータ) (2023-06-06T07:07:54Z) - FourCastNet: A Global Data-driven High-resolution Weather Model using
Adaptive Fourier Neural Operators [45.520430157112884]
FourCastNetは、表面風速、降水量、大気水蒸気などの高解像度で高速な変数を正確に予測する。
風力エネルギー資源の計画、熱帯のサイクロン、熱帯のサイクロン、大気の川などの極端な気象現象の予測に重要な意味を持つ。
FourCastNetは2秒未満で1週間の予測を生成する。
論文 参考訳(メタデータ) (2022-02-22T22:19:35Z) - Spatiotemporal Weather Data Predictions with Shortcut
Recurrent-Convolutional Networks: A Solution for the Weather4cast challenge [0.0]
本稿では、著者がWeather4cast 2021 Challenge Stage 1で使用したニューラルネットワークモデルについて述べる。
目的は、衛星ベースの気象データ画像の時間的進化を予測することである。
ネットワークは、ゲートリカレントユニット(GRU)、残留ブロック、U-Netに似たショートカットを持つ縮小/拡張アーキテクチャを利用するエンコーダ・フォカスターアーキテクチャに基づいている。
論文 参考訳(メタデータ) (2021-11-03T10:36:47Z) - Machine Learning for Postprocessing Ensemble Streamflow Forecasts [0.0]
機械学習と動的モデリングを統合して,短期から中規模(1~7日)におけるストリームフロー予測の質向上を実証する。
我々はLong Short-Term Memory(LSTM)ニューラルネットワークを用いて、動的モデリングから得られた生のアンサンブルストリームフロー予測における予測バイアスを補正する。
検証結果から,LSTMは気候,時間的持続性,決定論的,生のアンサンブル予測に対して,ストリームフロー予測を改善することができることが示された。
論文 参考訳(メタデータ) (2021-06-15T18:46:30Z) - Stream-Flow Forecasting of Small Rivers Based on LSTM [3.921808417990452]
本稿では,Long-Short Term Memory(LSTM)ディープラーニングモデルを用いて,予測を行う新しい手法を提案する。
本研究は,中国湖西省の1つの水文局の河川流量データと,周辺11の降雨局の降水データを収集し,河川流量データの予測を行った。
平均二乗誤差(RMSE)、平均絶対誤差(MAE)、判定係数(R2)の3つの基準を用いて予測結果を評価した。
論文 参考訳(メタデータ) (2020-01-16T07:14:32Z)
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。