論文の概要: Forecasting large-scale circulation regimes using deformable
convolutional neural networks and global spatiotemporal climate data
- arxiv url: http://arxiv.org/abs/2202.04964v1
- Date: Thu, 10 Feb 2022 11:37:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-12 01:22:46.107422
- Title: Forecasting large-scale circulation regimes using deformable
convolutional neural networks and global spatiotemporal climate data
- Title(参考訳): 変形可能な畳み込みニューラルネットワークとグローバル時空間気候データを用いた大規模循環状態の予測
- Authors: Andreas Holm Nielsen, Alexandros Iosifidis, Henrik Karstoft
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 86.1450118623908
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Classifying the state of the atmosphere into a finite number of large-scale
circulation regimes is a popular way of investigating teleconnections, the
predictability of severe weather events, and climate change. Here, we
investigate a supervised machine learning approach based on deformable
convolutional neural networks (deCNNs) and transfer learning to forecast the
North Atlantic-European weather regimes during extended boreal winter for 1 to
15 days into the future. We apply state-of-the-art interpretation techniques
from the machine learning literature to attribute particular regions of
interest or potential teleconnections relevant for any given weather cluster
prediction or regime transition. We demonstrate superior forecasting
performance relative to several classical meteorological benchmarks, as well as
logistic regression and random forests. Due to its wider field of view, we also
observe deCNN achieving considerably better performance than regular
convolutional neural networks at lead times beyond 5-6 days. Finally, we find
transfer learning to be of paramount importance, similar to previous
data-driven atmospheric forecasting studies.
- Abstract(参考訳): 大気の状態を少数の大規模循環体制に分類することは、遠隔接続、厳しい気象事象の予測可能性、気候変動を調査する一般的な方法である。
本稿では,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について検討し,今後1~15日間の越冬期間に北大西洋-欧州の気象状況を予測する。
我々は、機械学習文献から最先端の解釈技術を適用し、特定の気象クラスター予測や状態遷移に関連する特定の関心領域や潜在的な遠隔通信を属性とする。
いくつかの古典的気象指標に対して,ロジスティック回帰やランダム森林に比べて優れた予測性能を示す。
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。
最後に、過去のデータ駆動型大気予測研究と同様、転送学習が最重要となる。
関連論文リスト
- Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳(メタデータ) (2024-01-22T14:02:56Z) - Long-term drought prediction using deep neural networks based on
geospatial weather data [78.63225885697149]
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。
多様な時間的ニューラルネットワークモデルを用いたエンドツーエンドアプローチを導入することで、干ばつデータに対処する。
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) - Convolutional GRU Network for Seasonal Prediction of the El
Ni\~no-Southern Oscillation [24.35408676030181]
本稿では,エルニーニョ南部振動(ENSO)領域時間列予測問題に対して,畳み込みGated Recurrent Unit (ConvGRU) を改良したネットワークを提案する。
提案するConvGRUネットワークはエンコーダ・デコーダシーケンス・ツー・シーケンス構造を持ち,太平洋地域の歴史的SSTマップを入力として取り込んで,その後数ヶ月間,ENSO領域内で将来のSSTマップを生成する。
その結果, ConvGRU ネットワークは LIM, AF, RNN と比較して Nino 3.4 インデックスの予測可能性を大幅に向上することがわかった。
論文 参考訳(メタデータ) (2023-06-18T00:15:45Z) - Spatial-temporal Prompt Learning for Federated Weather Forecasting [50.379491498793485]
フェデレート気象予報は、異なる国や地域の参加者間で気象データを分析するための有望な協調学習フレームワークである。
本稿では,多くの分散型低リソースセンサを異なる場所に配置するフェデレート環境での気象データをモデル化する。
論文 参考訳(メタデータ) (2023-05-23T16:59:20Z) - Improving extreme weather events detection with light-weight neural
networks [0.0]
気候データから熱帯低気圧と大気河川のセマンティックセグメンテーションを訓練した軽量なコンテキストガイド畳み込みニューラルネットワークアーキテクチャを改良した。
我々の主な焦点は熱帯のサイクロンであり、最も破壊的な気象現象であり、現在のモデルでは性能が限られている。
論文 参考訳(メタデータ) (2023-03-31T23:38:54Z) - 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) - Skillful Twelve Hour Precipitation Forecasts using Large Context Neural
Networks [8.086653045816151]
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。
論文 参考訳(メタデータ) (2021-11-14T22:53:04Z) - 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) - 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) - 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。
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。