論文の概要: Learning Storm Surge with Gradient Boosting
- arxiv url: http://arxiv.org/abs/2204.13168v1
- Date: Wed, 27 Apr 2022 20:02:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-30 06:42:45.511278
- Title: Learning Storm Surge with Gradient Boosting
- Title（参考訳）: 勾配ブースティングによる学習用ストームサージ
- Authors: Benjamin Pachev, Eirik Valseth, Clint Dawson
- Abstract要約: 暴風雨は沿岸地域にとって大きな自然災害であり、大きな被害と生命の喪失の原因となっている。
高密度海洋循環モデルでは、嵐の急増を正確に予測できるが、非常に高価である。
本研究では,勾配増進に基づくピーク・ストーム・サージ・予測のための新しいサロゲート・モデルを開発した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Storm surge is a major natural hazard for coastal regions, responsible both
for significant property damage and loss of life. Accurate, efficient models of
storm surge are needed both to assess long-term risk and to guide emergency
management decisions. While high-fidelity ocean circulation models such as the
ADvanced CIRCulation (ADCIRC) model can accurately predict storm surge, they
are very computationally expensive. Consequently, there have been a number of
efforts in recent years to develop data-driven surrogate models for storm
surge. While these models can attain good accuracy and are highly efficient,
they are often limited to a small geographical region and a fixed set of output
locations.
We develop a novel surrogate model for peak storm surge prediction based on
gradient boosting. Unlike most surrogate approaches, our model is not
explicitly constrained to a fixed set of output locations or specific
geographical region. The model is trained with a database of 446 synthetic
storms that make landfall on the Texas coast and obtains a mean absolute error
of 0.25 meters. We additionally present a test of the model on Hurricanes Ike
(2008) and Harvey (2017).
- Abstract（参考訳）: 暴風雨は沿岸地域にとって大きな自然災害であり、大きな被害と生命の喪失の原因となっている。
長期的なリスクの評価と緊急管理判断の指導には,高潮の正確かつ効率的なモデルが必要である。
ADCIRC(Advanced CIRCulation)モデルのような高忠実な海洋循環モデルでは、嵐の急増を正確に予測できるが、計算コストは非常に高い。
その結果、近年、嵐サージのためのデータ駆動サーロゲートモデルの開発に多くの取り組みがなされている。
これらのモデルは精度が良く、非常に効率的であるが、小さな地理的領域と一定の出力位置に限られることが多い。
勾配ブースティングに基づく高潮高潮予測のための新しいサロゲートモデルを開発した。
多くのサロゲートアプローチとは異なり、このモデルは一定の出力位置や特定の地理的領域に明示的に制限されていない。
このモデルは、テキサス海岸に上陸する446の合成嵐のデータベースで訓練されており、平均絶対誤差は0.25メートルである。
さらに、Huricanes Ike (2008) とHarvey (2017) でモデルのテストを行う。
関連論文リスト
- Inferring Thunderstorm Occurrence from Vertical Profiles of Convection-Permitting Simulations: Physical Insights from a Physical Deep Learning Model [0.0]
雷雨は激しい降水量、干ばつ、雷、強い風のために、社会と経済に大きな影響を及ぼす。
我々は,10の大気変数の垂直プロファイルから雷雨の発生確率を直接推定する深層ニューラルネットワークSALAMA 1Dを開発した。
SALAMA 1Dは、中央ヨーロッパで雷観測を基礎として訓練されている。
論文 参考訳（メタデータ） (2024-09-30T08:40:28Z) - CasCast: Skillful High-resolution Precipitation Nowcasting via Cascaded
Modelling [93.65319031345197]
本稿では,メソスケール降水分布と小規模パターンの予測を分離するために,決定的かつ確率的な部分からなるカスケードフレームワークCasCastを提案する。
CasCastは地域の極端降水量計のベースライン(+91.8%)をはるかに上回っている。
論文 参考訳（メタデータ） (2024-02-06T08:30:47Z) - 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) - Long-Term Typhoon Trajectory Prediction: A Physics-Conditioned Approach
Without Reanalysis Data [18.321586950937647]
本稿では,リアルタイム統一モデル(UM)データを活用する手法を提案する。
本モデルでは,6時間間隔で72時間前処理を行い,最新データ駆動モデルと数値天気予報モデルとを比較検討した。
論文 参考訳（メタデータ） (2024-01-28T18:28:33Z) - 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) - Rapid Flood Inundation Forecast Using Fourier Neural Operator [77.30160833875513]
洪水浸水予測は洪水前後の緊急計画に重要な情報を提供する。
近年,高分解能な流体力学モデリングが普及しつつあるが,道路の洪水範囲やリアルタイムのビルディングレベルは依然として計算的に要求されている。
洪水範囲と浸水深度予測のためのハイブリッドプロセスベースおよびデータ駆動機械学習(ML)アプローチを提案する。
論文 参考訳（メタデータ） (2023-07-29T22:49:50Z) - Long-term hail risk assessment with deep neural networks [0.0]
農作物、果樹園、インフラの被害を見積り、軽減するためには、危険リスク評価が必要である。
特定の領域におけるヘイル頻度の変化をデータ駆動で予測する機械学習モデルはありません。
本研究は,2つのアプローチを比較し,過去数十年の干ばつ頻度の変化を予測する作業に適したモデルを提案する。
論文 参考訳（メタデータ） (2022-08-31T18:24:39Z) - Data-Based Models for Hurricane Evolution Prediction: A Deep Learning
Approach [0.0]
ここで提示される多対多のRNN嵐軌道予測モデルは、NHCが使用するアンサンブルモデルよりもはるかに高速である。
モデル予測誤差の詳細な解析により,多対一予測モデルは複合的エラー蓄積による多対多予測モデルよりも精度が低いことが示された。
論文 参考訳（メタデータ） (2021-10-30T00:31:48Z) - Predicting Road Flooding Risk with Machine Learning Approaches Using
Crowdsourced Reports and Fine-grained Traffic Data [1.0554048699217669]
本研究の目的は,機械学習モデルを用いて地形,水文,時間的降水特性に基づいて,道路浸水リスクを予測することである。
ハリケーン・ハービーの発見は、降水が道路の浸水感受性を予測する上で最も重要な特徴であることを示している。
本研究は,道路レベルでの予測的洪水リスクマッピングの観点から,スマートフラッドレジリエンスの新たな分野を推し進めるものである。
論文 参考訳（メタデータ） (2021-08-30T14:25:58Z) - A model for traffic incident prediction using emergency braking data [77.34726150561087]
道路交通事故予測におけるデータ不足の根本的な課題を、事故の代わりに緊急ブレーキイベントをトレーニングすることで解決します。
メルセデス・ベンツ車両の緊急ブレーキデータに基づくドイツにおける交通事故予測モデルを実装したプロトタイプを提案する。
論文 参考訳（メタデータ） (2021-02-12T18:17:12Z) - Improving Event Duration Prediction via Time-aware Pre-training [90.74988936678723]
持続時間予測に有効な2つのモデルを提案する。
1つのモデルは、期間値が該当する範囲/単位を予測し(R−pred)、もう1つのモデルは正確な期間値E−predを予測する。
我々の最良のモデル -- E-pred は、以前の作業よりも大幅に優れ、R-pred よりも正確に持続時間情報をキャプチャします。
論文 参考訳（メタデータ） (2020-11-05T01:52:11Z)
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。