Fugu-MT 論文翻訳(概要): Increasing the accuracy and resolution of precipitation forecasts using deep generative models

論文の概要: Increasing the accuracy and resolution of precipitation forecasts using deep generative models

arxiv url: http://arxiv.org/abs/2203.12297v1
Date: Wed, 23 Mar 2022 09:45:12 GMT
ステータス: 処理完了
システム内更新日: 2022-03-24 14:08:48.847781
Title: Increasing the accuracy and resolution of precipitation forecasts using deep generative models
Title（参考訳）: 深部生成モデルによる降水予測の精度と解像度の向上
Authors: Ilan Price, Stephan Rasp
Abstract要約: 我々は、高分解能でバイアス補正された予測のアンサンブルを生成するために、CorrectorGANという条件付きジェネレーティブ・アドバイサル・ネットワークを訓練する。一度訓練されたCorrectorGANは、1台のマシンで数秒で予測を生成する。その結果、地域モデルの必要性や、データ駆動型ダウンスケーリングと修正手法がデータ・プール領域に移行できるかどうかについて、エキサイティングな疑問が浮かび上がっている。
参考スコア（独自算出の注目度）: 3.8073142980733
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Accurately forecasting extreme rainfall is notoriously difficult, but is also ever more crucial for society as climate change increases the frequency of such extremes. Global numerical weather prediction models often fail to capture extremes, and are produced at too low a resolution to be actionable, while regional, high-resolution models are hugely expensive both in computation and labour. In this paper we explore the use of deep generative models to simultaneously correct and downscale (super-resolve) global ensemble forecasts over the Continental US. Specifically, using fine-grained radar observations as our ground truth, we train a conditional Generative Adversarial Network -- coined CorrectorGAN -- via a custom training procedure and augmented loss function, to produce ensembles of high-resolution, bias-corrected forecasts based on coarse, global precipitation forecasts in addition to other relevant meteorological fields. Our model outperforms an interpolation baseline, as well as super-resolution-only and CNN-based univariate methods, and approaches the performance of an operational regional high-resolution model across an array of established probabilistic metrics. Crucially, CorrectorGAN, once trained, produces predictions in seconds on a single machine. These results raise exciting questions about the necessity of regional models, and whether data-driven downscaling and correction methods can be transferred to data-poor regions that so far have had no access to high-resolution forecasts.
Abstract（参考訳）: 極端な降雨の正確な予測は難しいが、気候変動が極端な降雨の頻度を増大させるにつれて、社会にとってさらに重要となる。地球規模での気象予報モデルはしばしば極端に捉えられず、局所的な高分解能モデルは計算と労働の両方において非常に高価であるのに対し、解像度が低くて実行不可能である。本稿では,米国大陸におけるグローバルアンサンブル予測の修正とダウンスケールを同時に行うための,深層生成モデルの利用について検討する。具体的には,細粒度のレーダー観測を基礎として,独自の訓練手順と拡張損失関数を用いて条件付き生成型敵ネットワークを訓練し,他の関連する気象分野に加えて,粗大で大域的な降水予測に基づく高精度なバイアス補正予測のアンサンブルを作成する。我々のモデルは補間ベースラインと超分解能のみおよびCNNに基づく単変量法を上回り、確立された確率的指標の配列にまたがる運用領域の高分解能モデルの性能にアプローチする。重要なことは、一度訓練されたCorrectorGANは、1台のマシンで数秒で予測を生成する。これらの結果から,地域モデルの必要性やデータ駆動型ダウンスケール法や補正法が,これまで高解像度の予測にはアクセスできなかったデータマイニング領域に移行可能であるか,という,エキサイティングな疑問が浮かび上がっている。

関連論文リスト

MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
論文参考訳（メタデータ） (2024-08-20T13:45:49Z)
CaFA: Global Weather Forecasting with Factorized Attention on Sphere [7.687215328455751]
本稿では, この問題を緩和するために, 球面測地に適した因子化アテンションモデルを提案する。提案モデルの1.5円および0-7日のリードタイムにおける決定論的予測精度は、最先端のデータ駆動型機械学習天気予報モデルと同等である。
論文参考訳（メタデータ） (2024-05-12T23:18:14Z)
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)
FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather Forecasting [56.73502043159699]
この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。 2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
論文参考訳（メタデータ） (2024-01-28T13:23:25Z)
Precipitation Downscaling with Spatiotemporal Video Diffusion [19.004369237435437]
この研究は、最近のビデオ拡散モデルを拡張して、超解像を降水させる。決定論的ダウンスケーラと時間条件付き拡散モデルを用いて雑音特性と高周波パターンを抽出する。カリフォルニアとヒマラヤを用いたCRPS, MSE, 降水分布の把握, および定性的側面の解析により, データ駆動型降水ダウンスケーリングの新しい標準として本手法を確立した。
論文参考訳（メタデータ） (2023-12-11T02:38:07Z)
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 Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
論文参考訳（メタデータ） (2023-09-24T19:57:22Z)
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)
Diffusion Models for High-Resolution Solar Forecasts [0.0]
スコアベース拡散モデルは、多くの依存変数上の確率分布をモデル化するための新しいアプローチを提供する。本手法は,超解速気象予測のための拡散モデルから多くの試料を発生させることにより,日頭太陽照度予測に適用する。
論文参考訳（メタデータ） (2023-02-01T01:32:25Z)
A Generative Deep Learning Approach to Stochastic Downscaling of Precipitation Forecasts [0.5906031288935515]
GAN(Generative Adversarial Network)は、コンピュータビジョンコミュニティによって超高解像度問題で成功することが実証されている。 GANとVAE-GANは、高分解能で空間的に整合した降水マップを作成しながら、最先端のポイントワイズポストプロセッシング手法の統計的特性と一致することを示す。
論文参考訳（メタデータ） (2022-04-05T07:19:42Z)

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。