論文の概要: ENS-10: A Dataset For Post-Processing Ensemble Weather Forecast
- arxiv url: http://arxiv.org/abs/2206.14786v1
- Date: Wed, 29 Jun 2022 17:40:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-30 20:57:22.683205
- Title: ENS-10: A Dataset For Post-Processing Ensemble Weather Forecast
- Title（参考訳）: ENS-10: イベント後の天気予報のためのデータセット
- Authors: Saleh Ashkboos, Langwen Huang, Nikoli Dryden, Tal Ben-Nun, Peter
Dueben, Lukas Gianinazzi, Luca Kummer, Torsten Hoefler
- Abstract要約: 後処理アンサンブル予測システムは、特に極端な事象予測のために天気予報を改善することができる。
本報告では,1998-2017年に10人のアンサンブルメンバーからなるENS-10データセットについて述べる。
アンサンブルのメンバーは、地球のカオス的な振る舞いを捉えるために数値気象シミュレーションを摂動することによって生成される。
- 参考スコア（独自算出の注目度）: 12.812768685050898
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Post-processing ensemble prediction systems can improve weather forecasting,
especially for extreme event prediction. In recent years, different machine
learning models have been developed to improve the quality of the
post-processing step. However, these models heavily rely on the data and
generating such ensemble members requires multiple runs of numerical weather
prediction models, at high computational cost. This paper introduces the ENS-10
dataset, consisting of ten ensemble members spread over 20 years (1998-2017).
The ensemble members are generated by perturbing numerical weather simulations
to capture the chaotic behavior of the Earth. To represent the
three-dimensional state of the atmosphere, ENS-10 provides the most relevant
atmospheric variables in 11 distinct pressure levels as well as the surface at
0.5-degree resolution. The dataset targets the prediction correction task at
48-hour lead time, which is essentially improving the forecast quality by
removing the biases of the ensemble members. To this end, ENS-10 provides the
weather variables for forecast lead times T=0, 24, and 48 hours (two data
points per week). We provide a set of baselines for this task on ENS-10 and
compare their performance in correcting the prediction of different weather
variables. We also assess our baselines for predicting extreme events using our
dataset. The ENS-10 dataset is available under the Creative Commons Attribution
4.0 International (CC BY 4.0) licence.
- Abstract（参考訳）: 後処理アンサンブル予測システムは、特に極端な事象予測のために天気予報を改善することができる。
近年,処理後のステップの品質向上のために,さまざまな機械学習モデルが開発されている。
しかし、これらのモデルはデータに大きく依存し、そのようなアンサンブル要素を生成するには、計算コストの高い数値天気予報モデルが複数必要である。
本稿では,20年以上にわたるアンサンブル構成員10名(1998-2017年)からなるens-10データセットを紹介する。
アンサンブル部材は、地球のカオス的な挙動を捉えるために、数値的な気象シミュレーションによって生成される。
大気の3次元状態を表すために、ENS-10は11の異なる圧力レベルと0.5度解像度の表面の最も関連する大気変数を提供する。
データセットは48時間のリードタイムで予測補正タスクを目標とし、アンサンブルメンバーのバイアスを取り除くことで予測品質を本質的に改善する。
この目的のために、ens-10は予測リードタイムt=0、24、48時間(週2データポイント)の天気変数を提供する。
我々は,このタスクのベースラインセットを ens-10 で提供し,異なる気象変数の予測を補正する上での性能を比較する。
データセットを使用して極端なイベントを予測するためのベースラインも評価しています。
ENS-10データセットはCreative Commons Attribution 4.0 International (CC BY 4.0)ライセンスで利用可能である。
関連論文リスト
- CoDiCast: Conditional Diffusion Model for Weather Prediction with Uncertainty Quantification [25.325450602084484]
CoDiCastは、正確なグローバル気象予測を生成する条件拡散モデルである。
80GBメモリのコモディティA100マシンでは、3日間のグローバルな天気予報を5変数以上で6時間歩数5.625円で生成できる。
論文 参考訳（メタデータ） (2024-09-09T18:18:47Z) - An ensemble of data-driven weather prediction models for operational sub-seasonal forecasting [0.08106028186803123]
運用可能なマルチモデルアンサンブル天気予報システムを提案する。
データ駆動型天気予報モデルを用いたマルチモデルアンサンブル手法により、最先端のサブシーズン・シーズン・シーズン予測を実現することができる。
論文 参考訳（メタデータ） (2024-03-22T20:01:53Z) - 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) - GenCast: Diffusion-based ensemble forecasting for medium-range weather [10.845679586464026]
我々は,世界最上位の中距離気象予測よりも高い技術と速度を持つ確率的気象モデルであるGenCastを紹介する。
GenCastは、12時間のステップと0.25度の緯度で、80以上の地表と大気の変数を8分で15日間のグローバルな予測のアンサンブルを生成する。
評価した1320の目標の97.4%よりも高いスキルを持ち、極端な天候、熱帯のサイクロン、風力発電を予測できる。
論文 参考訳（メタデータ） (2023-12-25T19:30:06Z) - Predicting Temperature of Major Cities Using Machine Learning and Deep
Learning [0.0]
我々は,大都市における気温変化を構成するデイトン大学が作成したデータベースを用いて,将来いつでも異なる都市の気温を予測する。
この文書には、このような予測を行うための方法論が含まれています。
論文 参考訳（メタデータ） (2023-09-23T10:23:00Z) - FengWu: Pushing the Skillful Global Medium-range Weather Forecast beyond
10 Days Lead [93.67314652898547]
人工知能(AI)に基づく高度データ駆動型中距離気象予報システムFengWuについて紹介する。
FengWuは大気力学を正確に再現し、0.25度緯度で37の垂直レベルで将来の陸と大気の状態を予測することができる。
その結果、FengWuは予測能力を大幅に向上させ、熟練した中距離気象予報を10.75日間のリードまで拡張できることがわかった。
論文 参考訳（メタデータ） (2023-04-06T09:16:39Z) - ClimaX: A foundation model for weather and climate [51.208269971019504]
ClimaXは気象と気候科学のディープラーニングモデルである。
気候データセットの自己教師型学習目標で事前トレーニングすることができる。
気候や気候の様々な問題に対処するために、微調整が可能である。
論文 参考訳（メタデータ） (2023-01-24T23:19:01Z) - 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) - A Novel Transformer Network with Shifted Window Cross-Attention for
Spatiotemporal Weather Forecasting [5.414308305392762]
我々は,ビデオトランスを用いた天気予報の課題に取り組む。
視覚変換器のアーキテクチャは様々な用途で研究されている。
本稿では,ビデオスウィン・トランスフォーマーと専用拡張スキームの併用を提案する。
論文 参考訳（メタデータ） (2022-08-02T05:04:53Z) - 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。
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。