論文の概要: Benchmark Dataset for Precipitation Forecasting by Post-Processing the
Numerical Weather Prediction
- arxiv url: http://arxiv.org/abs/2206.15241v1
- Date: Thu, 30 Jun 2022 12:41:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-01 23:27:06.327050
- Title: Benchmark Dataset for Precipitation Forecasting by Post-Processing the
Numerical Weather Prediction
- Title(参考訳): 数値気象予測後の降水予測のためのベンチマークデータセット
- Authors: Taehyeon Kim, Namgyu Ho, Donggyu Kim, Se-Young Yun
- Abstract要約: スタンドアロンNWPとDLのギャップを埋めるためのハイブリッドNWP-DLワークフローを提案する。
このワークフローでは、NWP出力を深いモデルに入力し、データを後処理して洗練された降水予測を生成する。
我々は,NWP予測とAWS観測による朝鮮半島の新たなデータセットを提案する。
- 参考スコア(独自算出の注目度): 11.52104902059751
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Precipitation forecasting is an important scientific challenge that has
wide-reaching impacts on society. Historically, this challenge has been tackled
using numerical weather prediction (NWP) models, grounded on physics-based
simulations. Recently, many works have proposed an alternative approach, using
end-to-end deep learning (DL) models to replace physics-based NWP. While these
DL methods show improved performance and computational efficiency, they exhibit
limitations in long-term forecasting and lack the explainability of NWP models.
In this work, we present a hybrid NWP-DL workflow to fill the gap between
standalone NWP and DL approaches. Under this workflow, the NWP output is fed
into a deep model, which post-processes the data to yield a refined
precipitation forecast. The deep model is trained with supervision, using
Automatic Weather Station (AWS) observations as ground-truth labels. This can
achieve the best of both worlds, and can even benefit from future improvements
in NWP technology. To facilitate study in this direction, we present a novel
dataset focused on the Korean Peninsula, termed KoMet (Korea Meteorological
Dataset), comprised of NWP predictions and AWS observations. For NWP, we use
the Global Data Assimilation and Prediction Systems-Korea Integrated Model
(GDAPS-KIM).
- Abstract(参考訳): 降水予測は社会に大きな影響を与える重要な科学的課題である。
歴史的に、この課題は物理学に基づくシミュレーションに基づいて数値気象予測(NWP)モデルを用いて解決されてきた。
近年、多くの研究が物理ベースのnwpを置き換えるためにエンド・ツー・エンドのディープラーニング(dl)モデルを用いた別のアプローチを提案している。
これらのDL手法は性能と計算効率の向上を示すが、長期予測には限界があり、NWPモデルの説明可能性に欠ける。
本研究では,スタンドアロンNWPとDLのギャップを埋めるためのハイブリッドNWP-DLワークフローを提案する。
このワークフローでは、NWP出力を深いモデルに入力し、データを後処理して洗練された降水予測を生成する。
深層モデルは、自動気象観測所(aws)の観測を地上ラベルとして、監視の下で訓練される。
これは両方の世界のベストを達成でき、将来のNWP技術の改善の恩恵を受けることができる。
この方向での研究を容易にするために,NWP予測とAWS観測からなるKoMet(Korea Meteorological Dataset)と呼ばれる朝鮮半島に焦点を当てた新しいデータセットを提案する。
NWPではGDAPS-KIM(Global Data Assimilation and Prediction Systems-Korea Integrated Model)を用いる。
関連論文リスト
- Comparing and Contrasting Deep Learning Weather Prediction Backbones on Navier-Stokes and Atmospheric Dynamics [41.00712556599439]
私たちは、最も顕著なディープラーニング天気予報モデルと背骨を比較し、対比します。
合成2次元非圧縮性ナビエストークスと実世界の気象動態を予測してこれを達成した。
本研究では,ConvLSTMとSwinTransformerの短距離・中距離予測への適用性を示した。
論文 参考訳(メタデータ) (2024-07-19T08:59:00Z) - Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳(メタデータ) (2024-07-18T15:44:23Z) - Leveraging data-driven weather models for improving numerical weather prediction skill through large-scale spectral nudging [1.747339718564314]
本研究は,気象予測に対する物理学的アプローチとAI的アプローチの相対的強みと弱みについて述べる。
GEM予測された大規模状態変数をGraphCast予測に対してスペクトル的に評価するハイブリッドNWP-AIシステムを提案する。
その結果,このハイブリッド手法は,GEMモデルの予測能力を高めるために,GraphCastの強みを活用できることが示唆された。
論文 参考訳(メタデータ) (2024-07-08T16:39:25Z) - Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
本稿では,天気予報をより微細なテンポラルスケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。
具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。
我々は、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークを導入する。
論文 参考訳(メタデータ) (2024-05-22T16:21:02Z) - Aardvark weather: end-to-end data-driven weather forecasting [30.219727555662267]
Aardvark Weatherは、エンドツーエンドのデータ駆動型天気予報システムである。
生の観測を取り込み、グローバルなグリッド化された予測とローカルステーションの予測を出力する。
興味事の量よりもパフォーマンスを最大化するために、エンドツーエンドに最適化することができる。
論文 参考訳(メタデータ) (2024-03-30T16:41:24Z) - Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
気象予報に拡散モデル(DM)を適用した新しい手法を提案する。
提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。
我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
論文 参考訳(メタデータ) (2024-02-06T21:28:42Z) - Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。
提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
論文 参考訳(メタデータ) (2023-11-30T08:22:08Z) - PostRainBench: A comprehensive benchmark and a new model for
precipitation forecasting [15.937786723800883]
AIベースの後処理技術を従来の数値気象予測(NWP)手法と組み合わせることで、予測精度を向上させるためのより効果的なソリューションを提供する。
重み付き損失関数を特別に設計した,シンプルで効果的なチャネル注意強化マルチタスク学習フレームワークであるCAMTを提案する。
我々のモデルは、極度の降水条件下で従来のNWPアプローチを上回る、初めてのディープラーニングベースの手法である。
論文 参考訳(メタデータ) (2023-10-04T09:27:39Z) - Verification against in-situ observations for Data-Driven Weather
Prediction [0.14504054468850663]
近年,データ駆動型気象予報モデル (DDWP) が急速に進展している。
DDWPを真の運用環境で厳格に評価する作業は、まだ残っている。
本研究では,NOAA MADISプログラムから得られたその場観測の頑健なデータセットについて,DDWPを運用環境で評価するためのベンチマークとして機能する。
論文 参考訳(メタデータ) (2023-04-28T18:58:36Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳(メタデータ) (2021-06-08T14:48:20Z) - SLPC: a VRNN-based approach for stochastic lidar prediction and
completion in autonomous driving [63.87272273293804]
VRNN(Variiational Recurrent Neural Networks)と呼ばれる生成モデルに基づく新しいLiDAR予測フレームワークを提案する。
提案手法は,フレーム内の奥行きマップを空間的に塗り替えることで,スパースデータを扱う際の従来のビデオ予測フレームワークの限界に対処できる。
VRNNのスパースバージョンとラベルを必要としない効果的な自己監督型トレーニング方法を紹介します。
論文 参考訳(メタデータ) (2021-02-19T11:56:44Z)
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。