論文の概要: Data-Based Models for Hurricane Evolution Prediction: A Deep Learning Approach

• arxiv url: http://arxiv.org/abs/2111.12683v1
• Date: Sat, 30 Oct 2021 00:31:48 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-28 18:19:28.397690
• Title: Data-Based Models for Hurricane Evolution Prediction: A Deep Learning Approach
• Title（参考訳）: ハリケーンの進化予測のためのデータベースモデル:ディープラーニングアプローチ
• Authors: Rikhi Bose, Adam Pintar and Emil Simiu
• Abstract要約: ここで提示される多対多のRNN嵐軌道予測モデルは、NHCが使用するアンサンブルモデルよりもはるかに高速である。 モデル予測誤差の詳細な解析により,多対一予測モデルは複合的エラー蓄積による多対多予測モデルよりも精度が低いことが示された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fast and accurate prediction of hurricane evolution from genesis onwards is needed to reduce loss of life and enhance community resilience. In this work, a novel model development methodology for predicting storm trajectory is proposed based on two classes of Recurrent Neural Networks (RNNs). The RNN models are trained on input features available in or derived from the HURDAT2 North Atlantic hurricane database maintained by the National Hurricane Center (NHC). The models use probabilities of storms passing through any location, computed from historical data. A detailed analysis of model forecasting error shows that Many-To-One prediction models are less accurate than Many-To-Many models owing to compounded error accumulation, with the exception of $6-hr$ predictions, for which the two types of model perform comparably. Application to 75 or more test storms in the North Atlantic basin showed that, for short-term forecasting up to 12 hours, the Many-to-Many RNN storm trajectory prediction models presented herein are significantly faster than ensemble models used by the NHC, while leading to errors of comparable magnitude.
• Abstract（参考訳）: 生命の損失を減らし、コミュニティのレジリエンスを高めるためには、遺伝子導入以降のハリケーン進化の迅速かつ正確な予測が必要である。 本研究では,2種類のリカレントニューラルネットワーク(RNN)に基づいて,嵐軌道予測のための新しいモデル開発手法を提案する。 RNNモデルは、NHC(National Hurricane Center)が管理する北大西洋ハリケーンデータベースHURDAT2の入力機能に基づいて訓練されている。 モデルは、歴史的データから計算された任意の場所を通過する嵐の確率を使用する。 モデル予測誤差の詳細な解析により、多対一の予測モデルは、複合的なエラー蓄積による多対多のモデルよりも精度が低いことが示されている。 北大西洋流域での75以上の試験嵐の適用は、短期予測で最大12時間まで、Multi-to-Many RNNのストーム軌道予測モデルは、NHCが使用するアンサンブルモデルよりも大幅に高速であり、同じ規模の誤差をもたらすことを示した。

関連論文リスト

• Inferring Thunderstorm Occurrence from Vertical Profiles of Convection-Permitting Simulations: Physical Insights from a Physical Deep Learning Model [0.0]
  雷雨は激しい降水量、干ばつ、雷、強い風のために、社会と経済に大きな影響を及ぼす。 我々は,10の大気変数の垂直プロファイルから雷雨の発生確率を直接推定する深層ニューラルネットワークSALAMA 1Dを開発した。 SALAMA 1Dは、中央ヨーロッパで雷観測を基礎として訓練されている。
  論文  参考訳（メタデータ） (2024-09-30T08:40:28Z)
• Valid Error Bars for Neural Weather Models using Conformal Prediction [0.1806830971023738]
  我々は,不確実性を推定するための後処理手法として,共形予測フレームワークを構築し,定式化する。 モデルには何の修正も必要とせず、計算コストはモデルトレーニングと比べて無視できる。 本研究は,北欧地域の限られた領域のニューラル気象モデルにおけるコンフォメーション予測フレームワークの有用性を実証する。
  論文  参考訳（メタデータ） (2024-06-20T16:45:41Z)
• 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)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  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,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 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)
• Attention-Based Ensemble Pooling for Time Series Forecasting [55.2480439325792]
  本稿では,候補モデル予測よりも重み付き平均値を実行するプーリング法を提案する。 本手法は,非定常ロレンツ63方程式の動力学の多段階予測と,COVID-19による週次死亡事故の1段階予測という2つの時系列予測問題に対して試行する。
  論文  参考訳（メタデータ） (2023-10-24T22:59:56Z)
• 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)
• SwinVRNN: A Data-Driven Ensemble Forecasting Model via Learned Distribution Perturbation [16.540748935603723]
  本研究では,SwinRNN予測器と摂動モジュールを組み合わせた天気予報モデルであるSwinVRNNを提案する。 SwinVRNNはECMWF統合予測システム(IFS)を2m温度と6時間総降水量で最大5日間のリードタイムで上回っている。
  論文  参考訳（メタデータ） (2022-05-26T05:11:58Z)
• A Framework for Flexible Peak Storm Surge Prediction [2.362412515574206]
  暴風雨は沿岸地域では大きな自然災害であり、大きな被害と生命の喪失の原因となっている。 我々は,多段階アプローチに基づくピーク・ストーム・サージ・予測のための新しいサロゲート・モデルを開発した。 我々はテキサス沿岸とアラスカ海岸北部の2つの研究領域でモデリングの枠組みを実証した。
  論文  参考訳（メタデータ） (2022-04-27T20:02:25Z)
• 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)
• Improving Event Duration Prediction via Time-aware Pre-training [90.74988936678723]
  持続時間予測に有効な2つのモデルを提案する。 1つのモデルは、期間値が該当する範囲/単位を予測し(R−pred)、もう1つのモデルは正確な期間値E−predを予測する。 我々の最良のモデル -- E-pred は、以前の作業よりも大幅に優れ、R-pred よりも正確に持続時間情報をキャプチャします。
  論文  参考訳（メタデータ） (2020-11-05T01:52:11Z)
• SmaAt-UNet: Precipitation Nowcasting using a Small Attention-UNet Architecture [5.28539620288341]
  データ駆動型ニューラルネットワークのアプローチにより,正確な降水量を推定できることが示唆された。 オランダ地域の降水マップとフランスのクラウドカバレッジのバイナリ画像を用いて、実際のデータセットに対する我々のアプローチを評価した。
  論文  参考訳（メタデータ） (2020-07-08T20:33:10Z)

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。