Fugu-MT 論文翻訳(概要): Efficient spatio-temporal weather forecasting using U-Net

論文の概要: Efficient spatio-temporal weather forecasting using U-Net

arxiv url: http://arxiv.org/abs/2112.06543v1
Date: Mon, 13 Dec 2021 10:28:33 GMT
ステータス: 処理完了
システム内更新日: 2021-12-15 00:16:12.398365
Title: Efficient spatio-temporal weather forecasting using U-Net
Title（参考訳）: U-Netを用いた高効率時空間天気予報
Authors: Akshay Punjabi and Pablo Izquierdo Ayala
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Weather forecast plays an essential role in multiple aspects of the daily life of human beings. Currently, physics based numerical weather prediction is used to predict the weather and requires enormous amount of computational resources. In recent years, deep learning based models have seen wide success in many weather-prediction related tasks. In this paper we describe our experiments for the Weather4cast 2021 Challenge, where 8 hours of spatio-temporal weather data is predicted based on an initial one hour of spatio-temporal data. We focus on SmaAt-UNet, an efficient U-Net based autoencoder. With this model we achieve competent results whilst maintaining low computational resources. Furthermore, several approaches and possible future work is discussed at the end of the paper.
Abstract（参考訳）: 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。現在、物理ベースの数値気象予報は天気予報に使われ、膨大な計算資源を必要とする。近年、深層学習に基づくモデルは多くの気象予報関連タスクで大きな成功を収めている。本稿では,weather4cast 2021チャレンジにおいて,最初の1時間の時空間データに基づいて8時間の時空間データを予測する実験について述べる。我々は,効率的なU-NetベースのオートエンコーダであるSmaAt-UNetに注目した。このモデルでは,少ない計算資源を維持しながら有能な結果を得る。さらに,論文の最後にいくつかのアプローチと今後の課題について論じる。

関連論文リスト

WeatherGFM: Learning A Weather Generalist Foundation Model via In-context Learning [69.82211470647349]
第1次一般気象基礎モデル(WeatherGFM)を紹介する。気象理解タスクの幅広い範囲を統一的な方法で解決する。我々のモデルは、天気予報、超解像、天気画像翻訳、後処理など、最大10の気象理解タスクを効果的に処理できる。
論文参考訳（メタデータ） (2024-11-08T09:14:19Z)
WeatherFormer: A Pretrained Encoder Model for Learning Robust Weather Representations from Small Datasets [0.5735035463793009]
WeatherFormerは、最小限の観測から堅牢な気象特徴を学習するために設計されたトランスフォーマーエンコーダベースのモデルである。ウェザーホルマーは、アメリカ大陸の39年間の衛星観測による大規模な事前訓練データセットで事前訓練された。
論文参考訳（メタデータ） (2024-05-22T17:43:46Z)
Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
本稿では,天気予報をより微細なテンポラルスケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。我々は、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークを導入する。
論文参考訳（メタデータ） (2024-05-22T16:21:02Z)
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)
W-MAE: Pre-trained weather model with masked autoencoder for multi-variable weather forecasting [7.610811907813171]
天気予報のための事前学習を行うMasked AutoEncoderを用いた気象モデルを提案する。 W-MAEは、気象変数内の空間的相関を再構成するために、自己教師付きで事前訓練される。時間スケールでは、事前訓練されたW-MAEを微調整し、気象変数の将来状態を予測する。
論文参考訳（メタデータ） (2023-04-18T06:25:11Z)
Weather2K: A Multivariate Spatio-Temporal Benchmark Dataset for Meteorological Forecasting Based on Real-Time Observation Data from Ground Weather Stations [9.061222268562249]
本稿では,新しいベンチマークデータセットであるWeather2Kを提案する。リアルタイム、信頼性、多様性の観点から、既存の天気予報データセットの欠陥を補うことを目的としている。データは、600万平方キロメートルの面積をカバーする2,130の地上気象観測所から収集された。
論文参考訳（メタデータ） (2023-02-21T07:46:08Z)
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)
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)
Smart Weather Forecasting Using Machine Learning:A Case Study in Tennessee [2.9477900773805032]
本稿では,複数の気象観測所の過去のデータを利用して,シンプルな機械学習モデルを訓練する天気予報手法を提案する。モデルの精度は、現在の最先端技術と併用するのに十分である。
論文参考訳（メタデータ） (2020-08-25T02:41:32Z)
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。