論文の概要: Convolutional autoencoders for spatially-informed ensemble
post-processing
- arxiv url: http://arxiv.org/abs/2204.05102v1
- Date: Fri, 8 Apr 2022 07:30:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-12 18:06:38.463725
- Title: Convolutional autoencoders for spatially-informed ensemble
post-processing
- Title(参考訳): 空間的不定形後処理のための畳み込みオートエンコーダ
- Authors: Sebastian Lerch and Kai L. Polsterer
- Abstract要約: 本稿では,空間入力場のコンパクトな表現を学習するための畳み込みオートエンコーダを提案する。
この空間情報を含む利点は、ドイツの地上局における2m温度予測のケーススタディで示される。
- 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: Ensemble weather predictions typically show systematic errors that have to be
corrected via post-processing. Even state-of-the-art post-processing methods
based on neural networks often solely rely on location-specific predictors that
require an interpolation of the physical weather model's spatial forecast
fields to the target locations. However, potentially useful predictability
information contained in large-scale spatial structures within the input fields
is potentially lost in this interpolation step. Therefore, we propose the use
of convolutional autoencoders to learn compact representations of spatial input
fields which can then be used to augment location-specific information as
additional inputs to post-processing models. The benefits of including this
spatial information is demonstrated in a case study of 2-m temperature
forecasts at surface stations in Germany.
- Abstract(参考訳): 組み合わさった天気予報は、通常、後処理で修正しなければならない系統的なエラーを示す。
ニューラルネットワークに基づく最先端のポストプロセッシング手法でさえ、物理気象モデルの空間予測フィールドを対象の場所に補間する必要がある場所固有の予測器のみに依存することが多い。
しかしながら、入力フィールド内の大規模空間構造に含まれる潜在的に有用な予測可能性情報は、この補間ステップで失われる可能性がある。
そこで本稿では,畳み込み型オートエンコーダを用いて空間入力場のコンパクトな表現を学習し,後処理モデルへの追加入力として位置固有情報を拡張できる手法を提案する。
この空間情報を含めることの利点は、ドイツの地上局における2m温度予測のケーススタディで示される。
関連論文リスト
- Graph Neural Networks and Spatial Information Learning for Post-Processing Ensemble Weather Forecasts [1.474723404975345]
本稿では,アンサンブル後処理のためのグラフニューラルネットワークアーキテクチャを提案する。
欧州における2m温度予測のケーススタディでは、グラフニューラルネットワークモデルは、高度に競争力のあるニューラルネットワークベースの後処理法よりも大幅に改善されている。
論文 参考訳(メタデータ) (2024-07-08T18:39:44Z) - stMCDI: Masked Conditional Diffusion Model with Graph Neural Network for Spatial Transcriptomics Data Imputation [8.211887623977214]
空間転写学データ計算のための新しい条件拡散モデルである textbfstMCDI を導入する。
ランダムにマスキングされたデータ部分を使ってトレーニングされたデノベーションネットワークをガイダンスとして使用し、非マスキングされたデータは条件として機能する。
空間転写学データセットから得られた結果は,既存の手法と比較して,本手法の性能を解明するものである。
論文 参考訳(メタデータ) (2024-03-16T09:06:38Z) - ARFA: An Asymmetric Receptive Field Autoencoder Model for Spatiotemporal
Prediction [55.30913411696375]
本稿では,非対称な受容場オートエンコーダ (ARFA) モデルを提案する。
エンコーダでは,大域的時間的特徴抽出のための大規模なカーネルモジュールを提案し,デコーダでは局所的時間的再構成のための小さなカーネルモジュールを開発する。
降水予測のための大規模レーダエコーデータセットであるRainBenchを構築し,その領域における気象データの不足に対処する。
論文 参考訳(メタデータ) (2023-09-01T07:55:53Z) - Exploring the Application of Large-scale Pre-trained Models on Adverse
Weather Removal [97.53040662243768]
ネットワークが異なる気象条件を適応的に処理できるようにするために,CLIP埋め込みモジュールを提案する。
このモジュールは、CLIP画像エンコーダによって抽出されたサンプル特定気象と、パラメータセットによって学習された分布特定情報を統合する。
論文 参考訳(メタデータ) (2023-06-15T10:06:13Z) - Enhancing Spatiotemporal Prediction Model using Modular Design and
Beyond [2.323220706791067]
時間と空間の両方でシーケンスを予測することは困難である。
主流の方法は、同時に時間構造と空間構造をモデル化することである。
配列モデルを空間エンコーダデコーダと予測器の2つのモジュールに組み込むモジュール設計を提案する。
論文 参考訳(メタデータ) (2022-10-04T10:09:35Z) - Information Entropy Initialized Concrete Autoencoder for Optimal Sensor
Placement and Reconstruction of Geophysical Fields [58.720142291102135]
そこで本稿では,スパーク計測による地場再構成のためのセンサ配置の最適化について提案する。
本研究では, (a) 温度と (b) バレンツ海周辺の塩分濃度場とスバルバルド諸島群を例に示す。
得られた最適センサ位置は, 物理的解釈が明確であり, 海流の境界に対応することが判明した。
論文 参考訳(メタデータ) (2022-06-28T12:43:38Z) - Position Tracking using Likelihood Modeling of Channel Features with
Gaussian Processes [2.3977391435533373]
最近のローカライゼーションフレームワークは、複雑なチャネル計測の空間情報を利用して正確な位置を推定する。
本稿では,強力なマルチパス伝搬を持つスパースデータセットに順応する新しいフレームワークを提案する。
本フレームワークでは,トレーニングされたGPと直視域と粒子フィルタのダイナミックスモデルを組み合わせる。
論文 参考訳(メタデータ) (2022-03-24T15:06:01Z) - Adaptive Machine Learning for Time-Varying Systems: Low Dimensional
Latent Space Tuning [91.3755431537592]
本稿では,時間変化システムを対象とした適応機械学習手法を提案する。
我々は,エンコーダデコーダCNNのエンコーダ部出力において,非常に高次元(N>100k)の入力を低次元(N2)潜在空間にマッピングする。
そこで本手法では,割り込みを伴わないフィードバックに基づいて,内部の相関関係を学習し,その進化をリアルタイムで追跡する。
論文 参考訳(メタデータ) (2021-07-13T16:05:28Z) - Adaptive Latent Space Tuning for Non-Stationary Distributions [62.997667081978825]
本稿では,ディープエンコーダ・デコーダ方式cnnの低次元潜在空間の適応チューニング法を提案する。
粒子加速器における時間変動荷電粒子ビームの特性を予測するためのアプローチを実証する。
論文 参考訳(メタデータ) (2021-05-08T03:50:45Z) - Representation Learning for Sequence Data with Deep Autoencoding
Predictive Components [96.42805872177067]
本稿では,シーケンスデータの有用な表現が潜在空間における単純な構造を示すべきという直感に基づく,シーケンスデータの自己教師型表現学習法を提案する。
我々は,過去と将来のウィンドウ間の相互情報である潜在特徴系列の予測情報を最大化することにより,この潜時構造を奨励する。
提案手法は,ノイズの多い動的システムの潜時空間を復元し,タスク予測のための予測特徴を抽出し,エンコーダを大量の未ラベルデータで事前訓練する場合に音声認識を改善する。
論文 参考訳(メタデータ) (2020-10-07T03:34:01Z) - Multioutput Gaussian Processes with Functional Data: A Study on Coastal
Flood Hazard Assessment [0.0]
我々は,時変入力を考慮した代理モデルを導入し,空間的に変化する内陸浸水に関する情報を提供する。
いくつかの実験では、学習マップと観測されていないマップの推論の両方において、モデルの汎用性を示す。
我々のフレームワークは予測と早期警告システムにとって有望なアプローチであると結論付けている。
論文 参考訳(メタデータ) (2020-07-28T08:15:17Z)
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。