論文の概要: Short-range forecasts of global precipitation using using deep
learning-augmented numerical weather prediction
- arxiv url: http://arxiv.org/abs/2206.11669v1
- Date: Thu, 23 Jun 2022 12:49:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-24 18:59:50.469791
- Title: Short-range forecasts of global precipitation using using deep
learning-augmented numerical weather prediction
- Title(参考訳): 深層学習による気象予報を用いた地球降水量の短期予測
- Authors: Manmeet Singh, Vaisakh S B, Nachiketa Acharya, Suryachandra A Rao,
Bipin Kumar, Zong-Liang Yang, Dev Niyogi
- Abstract要約: 深層学習によるNWPモデルの出力を増大させ,短距離のグローバル降水量1-,2-,3日間のリードタイムを改善するハイブリッドモデルを作成する。
ハイブリッド化のために,全フィールドを立方体球投影に変換するDLWP-CSアーキテクチャを改良して,グローバルデータの時間性に対処する。
深層学習の強化 CFSv2 は CFSv2 と比較して 1 日リードで重要な土地に対する平均バイアスを 8 倍削減する。
- 参考スコア(独自算出の注目度): 0.11726720776908518
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Precipitation governs Earth's hydroclimate, and its daily spatiotemporal
fluctuations have major socioeconomic effects. Advances in Numerical weather
prediction (NWP) have been measured by the improvement of forecasts for various
physical fields such as temperature and pressure; however, large biases exist
in precipitation prediction. We augment the output of the well-known NWP model
CFSv2 with deep learning to create a hybrid model that improves short-range
global precipitation at 1-, 2-, and 3-day lead times. To hybridise, we address
the sphericity of the global data by using modified DLWP-CS architecture which
transforms all the fields to cubed-sphere projection. Dynamical model
precipitation and surface temperature outputs are fed into a modified DLWP-CS
(UNET) to forecast ground truth precipitation. While CFSv2's average bias is +5
to +7 mm/day over land, the multivariate deep learning model decreases it to
within -1 to +1 mm/day. Hurricane Katrina in 2005, Hurricane Ivan in 2004,
China floods in 2010, India floods in 2005, and Myanmar storm Nargis in 2008
are used to confirm the substantial enhancement in the skill for the hybrid
dynamical-deep learning model. CFSv2 typically shows a moderate to large bias
in the spatial pattern and overestimates the precipitation at short-range time
scales. The proposed deep learning augmented NWP model can address these biases
and vastly improve the spatial pattern and magnitude of predicted
precipitation. Deep learning enhanced CFSv2 reduces mean bias by 8x over
important land regions for 1 day lead compared to CFSv2. The spatio-temporal
deep learning system opens pathways to further the precision and accuracy in
global short-range precipitation forecasts.
- Abstract(参考訳): 降水は地球の水気候を支配し、その日々の時空間変動は社会経済に大きな影響を与える。
数値気象予測(NWP)の進歩は、温度や圧力などの様々な物理分野の予測の改善によって測定されてきたが、降水予測には大きなバイアスが存在する。
我々は,有名なNWPモデルであるCFSv2の出力を深層学習により増強し,1日,2日,3日のリードタイムで短距離のグローバル降水量を改善するハイブリッドモデルを作成する。
本研究では,全フィールドを立方体球投影に変換するDLWP-CSアーキテクチャを用いて,大域データの球状性に対処する。
動的モデル降水と表面温度出力を改良DLWP-CS (UNET) に供給し, 地中真実降水を予測する。
cfsv2の平均バイアスは地上で+5から+7mm/日であるが、多変量ディープラーニングモデルは1から+1mm/日以内に減少する。
2005年のハリケーン・カトリーナ、2004年のハリケーン・イヴァン、2010年の中国洪水、2005年のインド洪水、2008年のミャンマーの嵐ナルジは、ハイブリッド動的深層学習モデルのスキルの大幅な向上を確認するために使用されている。
CFSv2は通常、空間パターンの適度から大きなバイアスを示し、短距離の時間スケールで降水量を過大評価する。
深層学習拡張nwpモデルは,これらのバイアスに対処し,予測降水の空間パターンと大きさを大幅に改善することができる。
深層学習の強化 CFSv2 は CFSv2 と比較して 1 日間,重要な土地領域に対する平均バイアスを 8 倍削減する。
時空間深層学習システムは,地球規模の短距離降水予測の精度と精度を高めるために経路を開く。
関連論文リスト
- FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather
Forecasting [56.73502043159699]
この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。
低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。
2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
論文 参考訳(メタデータ) (2024-01-28T13:23:25Z) - 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) - Advancing Parsimonious Deep Learning Weather Prediction using the
HEALPix Mesh [3.1514546001123995]
階層的等角領域等緯線画像化(HEALPix)に基づく擬似深層学習天気予報モデルを提案する。
我々は, 約110kmのメッシュ上で約3hの時間分解能で, 任意長鉛時間に対して7つの大気変数を予測した。
論文 参考訳(メタデータ) (2023-09-11T16:25:48Z) - An evaluation of deep learning models for predicting water depth
evolution in urban floods [59.31940764426359]
高空間分解能水深予測のための異なる深層学習モデルの比較を行った。
深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。
その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
論文 参考訳(メタデータ) (2023-02-20T16:08:54Z) - GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。
全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。
我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
論文 参考訳(メタデータ) (2022-12-24T18:15:39Z) - 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) - Generative Modeling of High-resolution Global Precipitation Forecasts [2.1485350418225244]
GAN(Generative Adversarial Network)を用いた最先端の深層学習降水モデル(FourCastNet)のアーキテクチャとトレーニングプロセスの改善について述べる。
我々の改良は, 降水量の極端にパーセンタイルを捕捉する上で, 1~2日間のリードタイムでの予測能力において, 最先端のNWPモデルに匹敵する優れた性能を実現している。
論文 参考訳(メタデータ) (2022-10-22T17:21:16Z) - Sub-seasonal forecasting with a large ensemble of deep-learning weather
prediction models [6.882042556551611]
深層学習天気予報(DLWP)モデルを用いたアンサンブル予測システムを提案する。
このモデルは、立方体球格子上の畳み込みニューラルネットワーク(CNN)を用いて、グローバルな予測を生成する。
エンサンブルスプレッドは、主に32のDLWPモデルを作成するためにCNNトレーニングプロセスのランダム化によって生成される。
論文 参考訳(メタデータ) (2021-02-09T20:14:43Z) - 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) - Improving data-driven global weather prediction using deep convolutional
neural networks on a cubed sphere [7.918783985810551]
深層畳み込みニューラルネットワーク(CNN)を用いたデータ駆動型世界天気予報フレームワークを提案する。
このフレームワークの新しい開発には、オフラインの体積保存的マッピングから立方体球格子へのマッピングが含まれる。
我々のモデルでは、入力された大気状態の少ない変数から複雑な表面温度パターンを予測することができる。
論文 参考訳(メタデータ) (2020-03-15T19:57:34Z)
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。