論文の概要: A Framework for Flexible Peak Storm Surge Prediction
- arxiv url: http://arxiv.org/abs/2204.13168v2
- Date: Fri, 31 Mar 2023 18:36:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-05 01:23:34.944082
- Title: A Framework for Flexible Peak Storm Surge Prediction
- Title（参考訳）: フレキシブルピークストームサージ予測のためのフレームワーク
- Authors: Benjamin Pachev, Prateek Arora, Carlos del-Castillo-Negrete, Eirik
Valseth, Clint Dawson
- Abstract要約: 暴風雨は沿岸地域では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。
我々は,多段階アプローチに基づくピーク・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。
我々はテキサス沿岸とアラスカ海岸北部の2つの研究領域でモデリングの枠組みを実証した。
- 参考スコア（独自算出の注目度）: 2.362412515574206
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Storm surge is a major natural hazard in 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 regional- and global-ocean
circulation models such as the ADvanced CIRCulation (ADCIRC) model can
accurately predict storm surge, they are very computationally expensive. Here
we develop a novel surrogate model for peak storm surge prediction based on a
multi-stage approach. In the first stage, points are classified as inundated or
not. In the second, the level of inundation is predicted . Additionally, we
propose a new formulation of the surrogate problem in which storm surge is
predicted independently for each point. This allows for predictions to be made
directly for locations not present in the training data, and significantly
reduces the number of model parameters. We demonstrate our modeling framework
on two study areas: the Texas coast and the northern portion of the Alaskan
coast. For Texas, the model is trained with a database of 446 synthetic
hurricanes. The model is able to accurately match ADCIRC predictions on a test
set of synthetic storms. We further present a test of the model on Hurricanes
Ike (2008) and Harvey (2017). For Alaska, the model is trained on a dataset of
109 historical surge events. We test the surrogate model on actual surge events
including the recent Typhoon Merbok (2022) that take place after the events in
the training data. For both datasets, the surrogate model achieves similar
performance to ADCIRC on real events when compared to observational data. In
both cases, the surrogate models are many orders of magnitude faster than
ADCIRC.
- Abstract（参考訳）: 暴風雨は沿岸地域では大きな自然災害であり、大きな被害や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地域循環モデルやグローバル循環モデルでは、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。
本稿では,多段法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。
第一段階では、点を浸水の有無で分類する。
第二に、浸水レベルが予測される。
さらに,各地点で個別に暴風が予測されるサロゲート問題を新たに定式化することを提案する。
これにより、トレーニングデータに存在しない場所を直接予測することが可能になり、モデルパラメータの数を大幅に削減できる。
我々は, テキサス海岸とアラスカ海岸北部の2つの研究地域において, モデリングの枠組みを実証した。
テキサスでは、このモデルは446の合成ハリケーンのデータベースで訓練されている。
このモデルは、合成嵐のテストセットでADCIRC予測と正確に一致させることができる。
さらに、Huricanes Ike (2008) とHarvey (2017) でモデルのテストを行う。
アラスカでは、109の歴史的なサージイベントのデータセットでトレーニングされている。
トレーニングデータで発生した最近の台風Merbok (2022) など, 実際のサージイベントに対するサージゲートモデルを検証した。
両方のデータセットに対して、サロゲートモデルは観測データと比較した場合の実際の事象におけるADCIRCと同様のパフォーマンスを達成する。
どちらの場合も、サロゲートモデルはADCIRCよりも桁違いに高速である。
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。