論文の概要: Extreme precipitation forecasting using attention augmented convolutions
- arxiv url: http://arxiv.org/abs/2201.13408v1
- Date: Mon, 31 Jan 2022 18:16:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-01 18:20:30.697832
- Title: Extreme precipitation forecasting using attention augmented convolutions
- Title（参考訳）: 注意増強畳み込みを用いた極端降水予測
- Authors: Weichen Huang
- Abstract要約: 降雨予測のための自己注意型拡張畳み込み機構を提案する。
実験の結果,このフレームワークは古典的畳み込みモデルよりも12%優れていた。
提案手法は,極端な変化の物理的原因を把握するためのツールとして,機械学習を向上させる。
- 参考スコア（独自算出の注目度）: 0.913755431537592
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Extreme precipitation wreaks havoc throughout the world, causing billions of
dollars in damage and uprooting communities, ecosystems, and economies.
Accurate extreme precipitation prediction allows more time for preparation and
disaster risk management for such extreme events. In this paper, we focus on
short-term extreme precipitation forecasting (up to a 12-hour ahead-of-time
prediction) from a sequence of sea level pressure and zonal wind anomalies.
Although existing machine learning approaches have shown promising results, the
associated model and climate uncertainties may reduce their reliability. To
address this issue, we propose a self-attention augmented convolution mechanism
for extreme precipitation forecasting, systematically combining attention
scores with traditional convolutions to enrich feature data and reduce the
expected errors of the results. The proposed network architecture is further
fused with a highway neural network layer to gain the benefits of unimpeded
information flow across several layers. Our experimental results show that the
framework outperforms classical convolutional models by 12%. The proposed
method increases machine learning as a tool for gaining insights into the
physical causes of changing extremes, lowering uncertainty in future forecasts.
- Abstract（参考訳）: 極端な降雨は世界中に波及し、何十億ドルもの損害をもたらし、コミュニティ、生態系、経済を根絶させた。
正確な極端な降水予測は、このような極端なイベントの準備と災害リスク管理により多くの時間を費やすことができる。
本稿では,海面圧力と帯状風速の連続による短期的極端降水予測(12時間予報まで)に焦点を当てた。
既存の機械学習アプローチは有望な結果を示しているが、関連するモデルと気候の不確実性は信頼性を低下させる可能性がある。
そこで本研究では,注意スコアと従来の畳み込みとを体系的に組み合わせ,特徴データを強化し,結果の期待誤差を低減させる,極端な降水予測のための自己着水強化畳み込み機構を提案する。
提案するネットワークアーキテクチャは、複数の層にまたがる未入力情報フローの利点を得るために、ハイウェイニューラルネットワーク層とさらに融合している。
実験の結果,従来の畳み込みモデルよりも12%優れていた。
提案手法は, 極端な変化の物理的原因を把握し, 将来の予測の不確実性を低下させるツールとして, 機械学習を向上する。
関連論文リスト
- PostCast: Generalizable Postprocessing for Precipitation Nowcasting via Unsupervised Blurriness Modeling [85.56969895866243]
本稿では,ぼやけた予測とそれに対応する土台真実のペアによるトレーニングを必要とせずに,ぼやけを解消するための教師なしポストプロセッシング手法を提案する。
非条件相関を任意のぼかしモードに適応させるため、ゼロショットのぼかしカーネル推定機構とオートスケールの denoise ガイダンス戦略を導入する。
論文 参考訳（メタデータ） (2024-10-08T08:38:23Z) - 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) - Performative Time-Series Forecasting [71.18553214204978]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。
本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。
新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文 参考訳（メタデータ） (2023-10-09T18:34:29Z) - Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。
私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。
主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文 参考訳（メタデータ） (2023-09-12T13:28:06Z) - Intelligent model for offshore China sea fog forecasting [0.7503129292751938]
本研究は, 数値気象予報モデルに埋もれた深海霧予測手法を開発することを目的とする。
本研究では,海霧発生の要因を解明するために,時間差相関解析手法を用いて鍵予測器を同定し,そのメカニズムを解明する。
提案手法の精度を検証するため,1年にわたる包括的データセットを用いて評価を行った。
論文 参考訳（メタデータ） (2023-07-20T04:46:34Z) - 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) - Addressing Deep Learning Model Uncertainty in Long-Range Climate
Forecasting with Late Fusion [2.951502707659703]
本稿では,複数のモデルからの予測を体系的に組み合わせて,融合した結果の予測誤差を低減できるレイトフュージョン手法を提案する。
また、データ正規化を実際に行わずにデータ正規化の利点を得るために、新しい非正規化層を持つネットワークアーキテクチャを提案する。
長距離2m温度予測実験の結果,30年間の気候の正常値を上回っ,モデル数の増加により精度の向上が図られた。
論文 参考訳（メタデータ） (2021-12-10T00:00:09Z) - 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) - Skillful Precipitation Nowcasting using Deep Generative Models of Radar [24.220892855431494]
本稿では,レーダーからの降水確率予測のためのディープジェネラティブモデルを提案する。
我々のモデルは1536km×1280kmまでの領域で現実的かつ時間的に一貫した予測を行い、リードタイムは5～90分先である。
Met Officeの50名以上のエキスパート予測者による体系的評価では,2つの競合手法に対して88%のケースにおいて,その精度と有用性で第1位であった。
論文 参考訳（メタデータ） (2021-04-02T09:29:03Z) - Adversarial Refinement Network for Human Motion Prediction [61.50462663314644]
リカレントニューラルネットワークとフィードフォワードディープネットワークという2つの一般的な手法は、粗い動きの傾向を予測することができる。
本稿では,新たな逆誤差増大を伴う簡易かつ効果的な粗大きめ機構に従えば,ARNet(Adversarial Refinement Network)を提案する。
論文 参考訳（メタデータ） (2020-11-23T05:42:20Z)
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。