Fugu-MT 論文翻訳(概要): Prediction of fish location by combining fisheries data and sea bottom temperature forecasting

論文の概要: Prediction of fish location by combining fisheries data and sea bottom temperature forecasting

arxiv url: http://arxiv.org/abs/2205.02107v1
Date: Wed, 4 May 2022 15:08:51 GMT
ステータス: 処理完了
システム内更新日: 2022-05-05 14:08:56.997715
Title: Prediction of fish location by combining fisheries data and sea bottom temperature forecasting
Title（参考訳）: 漁業データと海底温度予測の併用による魚類位置の予測
Authors: Matthieu Ospici, Klaas Sys, Sophie Guegan-Marat
Abstract要約: 本稿は,北海におけるベルギーの漁獲量と水産依存データと環境データを組み合わせて,ベルギーの漁獲量(イセプラとソリ)を推定する。予測設定では、リカレントディープニューラルネットワークを用いて海底温度を最大4日前に予測することにより予測精度をさらに向上する。
参考スコア（独自算出の注目度）: 1.7188280334580197
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: This paper combines fisheries dependent data and environmental data to be used in a machine learning pipeline to predict the spatio-temporal abundance of two species (plaice and sole) commonly caught by the Belgian fishery in the North Sea. By combining fisheries related features with environmental data, sea bottom temperature derived from remote sensing, a higher accuracy can be achieved. In a forecast setting, the predictive accuracy is further improved by predicting, using a recurrent deep neural network, the sea bottom temperature up to four days in advance instead of relying on the last previous temperature measurement.
Abstract（参考訳）: 本論文は,北海のベルギー漁業で一般的に漁獲される2種 (plaiceとsole) の時空間的存在を予測するために,水産依存データと環境データを組み合わせて機械学習パイプラインで使用する。漁業関連特徴と環境データとを組み合わせることで、リモートセンシングによる海底温度を高い精度で得ることができる。予測設定では、過去の温度測定に頼るのではなく、繰り返しの深層ニューラルネットワークを用いて海底温度を最大4日前まで予測することにより予測精度をさらに向上する。

関連論文リスト

Website visits can predict angler presence using machine learning [0.0]
漁業活動と環境または経済要因を関連付ける予測モデルは、典型的には歴史的データに依存している。湖のインフォメーションサイトだけで、毎日のアングルボートの存在を78%の精度で予測できるようになった。モデルは、モデル訓練に含まれる既知の湖で最大0.77のR2を達成したが、未知の湖では不十分であった。
論文参考訳（メタデータ） (2024-09-25T23:26:52Z)
Machine learning models for daily rainfall forecasting in Northern Tropical Africa using tropical wave predictors [0.0]
数値気象予報(NWP)モデルは、北熱帯アフリカにおけるより単純な気候学に基づく降水予測と比較すると性能が劣ることが多い。本研究では,ガンマ回帰モデルと熱帯波(TW)で学習した畳み込みニューラルネットワーク(CNN)の2つの機械学習モデルを用いて,7～9月のモンスーンシーズンの日降雨を予測する。
論文参考訳（メタデータ） (2024-08-29T08:36:22Z)
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)
Intelligent model for offshore China sea fog forecasting [0.7503129292751938]
本研究は, 数値気象予報モデルに埋もれた深海霧予測手法を開発することを目的とする。本研究では,海霧発生の要因を解明するために,時間差相関解析手法を用いて鍵予測器を同定し,そのメカニズムを解明する。提案手法の精度を検証するため,1年にわたる包括的データセットを用いて評価を行った。
論文参考訳（メタデータ） (2023-07-20T04:46:34Z)
Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。 MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。 MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
論文参考訳（メタデータ） (2023-06-06T07:07:54Z)
Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast [91.9372563527801]
我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。 Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
論文参考訳（メタデータ） (2022-11-03T17:19:43Z)
Data-Driven Short-Term Daily Operational Sea Ice Regional Forecasting [52.77986479871782]
地球温暖化は北極を海洋活動に利用し、信頼性の高い海氷予測の需要を生み出した。本研究では,海氷予測のためのU-Netモデルの性能を,今後10日間にわたって検証した。この深層学習モデルは、気象データの追加と複数の地域での訓練により、単純なベースラインをかなりの差で上回り、その品質を向上させることができることを示す。
論文参考訳（メタデータ） (2022-10-17T09:14:35Z)
Forecasting large-scale circulation regimes using deformable convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討今後1～15日にわたって北大西洋-欧州の気象条件を予測した。より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
論文参考訳（メタデータ） (2022-02-10T11:37:00Z)
Analyzing Koopman approaches to physics-informed machine learning for long-term sea-surface temperature forecasting [0.5735035463793008]
本研究では,海面温度を数週間から数ヶ月にわたって正確に予測するための機械学習手法を提案する。我々のアプローチは、動的システムのモデリングに有用なツールであるクープマン作用素理論に基づいている。クープマンアプローチがベースラインを一貫して上回ることを示す。
論文参考訳（メタデータ） (2020-09-15T21:56:33Z)
A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
論文参考訳（メタデータ） (2020-06-13T20:53:17Z)

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。