論文の概要: Surrogate Ensemble Forecasting for Dynamic Climate Impact Models
- arxiv url: http://arxiv.org/abs/2204.05795v1
- Date: Tue, 12 Apr 2022 13:30:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-13 14:34:28.019131
- Title: Surrogate Ensemble Forecasting for Dynamic Climate Impact Models
- Title(参考訳): 動的気候影響モデルのためのサロゲートアンサンブル予測
- Authors: Julian Kuehnert (1), Deborah McGlynn (1 and 2), Sekou L. Remy (1),
Aisha Walcott-Bryant (1), Anne Jones (3) ((1) IBM Research Africa, (2)
Virginia Tech, (3) IBM Research Europe)
- Abstract要約: 本研究は, マラリア感染係数R0を予測するリバプールマラリアモデル(LMM)について考察した。
入力および出力データは、ランダムフォレスト量子回帰(RFQR)モデルとベイズ長短期記憶(BLSTM)ニューラルネットワークの形式で代理モデルをトレーニングするために使用される。
- 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: As acute climate change impacts weather and climate variability, there is
increased demand for robust climate impact model predictions from which
forecasts of the impacts can be derived. The quality of those predictions are
limited by the climate drivers for the impact models which are nonlinear and
highly variable in nature. One way to estimate the uncertainty of the model
drivers is to assess the distribution of ensembles of climate forecasts. To
capture the uncertainty in the impact model outputs associated with the
distribution of the input climate forecasts, each individual forecast ensemble
member has to be propagated through the physical model which can imply high
computational costs. It is therefore desirable to train a surrogate model which
allows predictions of the uncertainties of the output distribution in ensembles
of climate drivers, thus reducing resource demands. This study considers a
climate driven disease model, the Liverpool Malaria Model (LMM), which predicts
the malaria transmission coefficient R0. Seasonal ensembles forecasts of
temperature and precipitation with a 6-month horizon are propagated through the
model, predicting the distribution of transmission time series. The input and
output data is used to train surrogate models in the form of a Random Forest
Quantile Regression (RFQR) model and a Bayesian Long Short-Term Memory (BLSTM)
neural network. Comparing the predictive performance, the RFQR better predicts
the time series of the individual ensemble member, while the BLSTM offers a
direct way to construct a combined distribution for all ensemble members. An
important element of the proposed methodology is that accounting for non-normal
distributions of climate forecast ensembles can be captured naturally by a
Bayesian formulation.
- Abstract(参考訳): 気候変動が気象や気候変動に影響を及ぼすにつれて、影響の予測を導出できる堅牢な気候影響モデル予測への需要が高まっている。
これらの予測の質は、自然界において非線形で非常に可変な影響モデルに対する気候要因によって制限される。
モデルドライバの不確実性を推定する1つの方法は、気候予測のアンサンブルの分布を評価することである。
入力気候予測の分布に関連するインパクトモデル出力の不確かさを捉えるためには、個々の予測アンサンブルメンバーを、計算コストの高い物理モデルを介して伝播させる必要がある。
したがって、気候ドライバのアンサンブルにおける出力分布の不確かさを予測できるサロゲートモデルの訓練が望ましいため、資源需要の削減が望まれる。
本研究は, マラリア感染係数R0を予測するリバプールマラリアモデル(LMM)について考察した。
6ヶ月の地平線による気温と降水量の季節的予測は,送信時系列の分布を予測し,モデルを通して伝播する。
入力および出力データは、ランダムフォレスト量子回帰(RFQR)モデルとベイズ長短期記憶(BLSTM)ニューラルネットワークの形式で代理モデルをトレーニングするために使用される。
予測性能と比較すると、RFQRは個々のアンサンブルメンバーの時系列をより正確に予測し、BLSTMはすべてのアンサンブルメンバーの同時分布を構築する直接的な方法を提供する。
提案手法の重要な要素は、気候予測アンサンブルの非正規分布の計算をベイズ式によって自然に捉えることができることである。
関連論文リスト
- Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
気象予報に拡散モデル(DM)を適用した新しい手法を提案する。
提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。
我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
論文 参考訳(メタデータ) (2024-02-06T21:28:42Z) - ExtremeCast: Boosting Extreme Value Prediction for Global Weather
Forecast [61.138475638813354]
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,ExEnsembleという名称のトレーニングフリーな極値拡張戦略を導入し,画素値のばらつきを増大させ,予測ロバスト性を向上させる。
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) - Residual Diffusion Modeling for Km-scale Atmospheric Downscaling [51.061954281398116]
台湾上空2kmの高解像度気象モデルを用いて,コスト効率の低いダウンスケーリングモデルを訓練した。
textitCorrDiffは、RMSEとCRPSを巧みに表現し、極端な場合でもスペクトルと分布を忠実に回復する。
グローバルな予測のスケールダウンは、これらのメリットの多くを成功裏に維持し、マシンラーニングの天気予報のエンドツーエンドなグローバルなスケールの可能性を先導する。
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 [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) - SEEDS: Emulation of Weather Forecast Ensembles with Diffusion Models [13.331224394143117]
不確かさの定量化は意思決定に不可欠である。
天気予報の不確実性を表す主要なアプローチは、予測の集合を生成することです。
本稿では,これらの予測を歴史的データから学習した深部生成拡散モデルを用いてエミュレートし,計算コストを補正することを提案する。
論文 参考訳(メタデータ) (2023-06-24T22:00:06Z) - Beyond Ensemble Averages: Leveraging Climate Model Ensembles for
Subseasonal Forecasting [10.25541454330214]
本研究では,機械学習モデル(ML)を時系列予測のための後処理ツールとして応用することを検討した。
月平均降水量と2m温度を予測するため,様々なML手法にラベル付き数値アンサンブル予測と観測データを組み込んだ。
論文 参考訳(メタデータ) (2022-11-29T01:11:04Z) - A Bayesian Deep Learning Approach to Near-Term Climate Prediction [12.870804083819603]
気候予測に対する補完的な機械学習に基づくアプローチを追求する。
特に,Densenetアーキテクチャのフィードフォワード畳み込みネットワークは,予測能力において,畳み込みLSTMよりも優れていることがわかった。
論文 参考訳(メタデータ) (2022-02-23T00:28:36Z) - When in Doubt: Neural Non-Parametric Uncertainty Quantification for
Epidemic Forecasting [70.54920804222031]
既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。
不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。
本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
論文 参考訳(メタデータ) (2021-06-07T18:31:47Z) - Learning Interpretable Deep State Space Model for Probabilistic Time
Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。
本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。
実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文 参考訳(メタデータ) (2021-01-31T06:49:33Z) - Improving seasonal forecast using probabilistic deep learning [1.1988695717766686]
我々は,季節予測能力と予測診断力を高めるための確率論的ディープニューラルネットワークモデルを開発した。
気候シミュレーションで符号化された複雑な物理的関係を活用することで、我々のモデルは好ましい決定論的および確率論的スキルを示す。
季節変動の支配的なモードであるエルニーニョ/南部の振動が、世界の季節予測可能性をどのように調節するかについて、より決定的な答えを与える。
論文 参考訳(メタデータ) (2020-10-27T21:02:26Z)
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。