論文の概要: Analysis, Characterization, Prediction and Attribution of Extreme
Atmospheric Events with Machine Learning: a Review
- arxiv url: http://arxiv.org/abs/2207.07580v1
- Date: Fri, 3 Jun 2022 08:45:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-10 20:09:08.662786
- Title: Analysis, Characterization, Prediction and Attribution of Extreme
Atmospheric Events with Machine Learning: a Review
- Title（参考訳）: 機械学習を用いた極端な大気事象の解析、特徴付け、予測、帰属
- Authors: Sancho Salcedo-Sanz, Jorge P\'erez-Aracil, Guido Ascenso, Javier Del
Ser, David Casillas-P\'erez, Christopher Kadow, Dusan Fister, David
Barriopedro, Ricardo Garc\'ia-Herrera, Marcello Restelli, Mateo Giuliani,
Andrea Castelletti
- Abstract要約: 大気の極端イベント(EE)は、人間の社会や生態系に深刻なダメージを与える。
したがって、大気中の脳の正確な予測、特性、属性は重要な研究分野である。
本稿では、最も重要な大気中脳の分析、特徴付け、予測、属性に適用される機械学習アルゴリズムについて概説する。
- 参考スコア（独自算出の注目度）: 26.943152601770723
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Atmospheric Extreme Events (EEs) cause severe damages to human societies and
ecosystems. The frequency and intensity of EEs and other associated events are
increasing in the current climate change and global warming risk. The accurate
prediction, characterization, and attribution of atmospheric EEs is therefore a
key research field, in which many groups are currently working by applying
different methodologies and computational tools. Machine Learning (ML) methods
have arisen in the last years as powerful techniques to tackle many of the
problems related to atmospheric EEs. This paper reviews the ML algorithms
applied to the analysis, characterization, prediction, and attribution of the
most important atmospheric EEs. A summary of the most used ML techniques in
this area, and a comprehensive critical review of literature related to ML in
EEs, are provided. A number of examples is discussed and perspectives and
outlooks on the field are drawn.
- Abstract（参考訳）: 大気の極端イベント(EE)は、人間の社会や生態系に深刻なダメージを与える。
脳波やその他の関連する事象の頻度と強度は、現在の気候変動と地球温暖化リスクで増大している。
したがって、大気eesの正確な予測、特徴付け、帰属は重要な研究分野であり、多くのグループが異なる方法論と計算ツールを適用することで現在作業している。
機械学習(ML)手法は、大気中の脳に関連する多くの問題に対処する強力な手法としてここ数年で登場した。
本稿では,最も重要な大気中脳の分析,特徴,予測,属性に適用されるMLアルゴリズムについて概説する。
この領域で最も使われているML技術の概要と、EEにおけるMLに関する文献の総合的批判的レビューが提供される。
いくつかの例が議論され、その分野の展望と展望が描かれる。
関連論文リスト
- Applications of machine learning to predict seasonal precipitation for East Africa [0.0]
大規模な気候変動は、局所的または地域的温度または降水と線形または非線型な方法で関連付けられている。
本稿では,東アフリカにおける季節降水量の予測に解釈可能なML手法を用いることを検討した。
論文 参考訳（メタデータ） (2024-09-10T06:16:03Z) - Machine Learning for Methane Detection and Quantification from Space -- A survey [49.7996292123687]
メタン (CH_4) は強力な温室効果ガスであり、20年間で二酸化炭素 (CO_2) の86倍の温暖化に寄与する。
この研究は、ショートウェーブ赤外線(SWIR)帯域におけるメタン点源検出センサの既存の情報を拡張する。
従来の機械学習(ML)アプローチと同様に、最先端の技術をレビューする。
論文 参考訳（メタデータ） (2024-08-27T15:03:20Z) - Recent Advances on Machine Learning for Computational Fluid Dynamics: A Survey [51.87875066383221]
本稿では、基本概念、従来の手法、ベンチマークデータセットを紹介し、CFDを改善する上で機械学習が果たす様々な役割について検討する。
我々は,空気力学,燃焼,大気・海洋科学,生物流体,プラズマ,記号回帰,秩序の低減など,CFDにおけるMLの現実的な応用を強調した。
シミュレーションの精度を向上し、計算時間を短縮し、流体力学のより複雑な解析を可能にすることにより、MLはCFD研究を大きく変革する可能性があるという結論を導いた。
論文 参考訳（メタデータ） (2024-08-22T07:33:11Z) - Machine Learning for Urban Air Quality Analytics: A Survey [27.96085346957208]
大気汚染は、広範囲にわたる結果に緊急の世界的な懸念をもたらす。
本稿では,機械学習に基づく空気質分析に関する総合的な調査を紹介する。
論文 参考訳（メタデータ） (2023-10-14T17:03:29Z) - Artificial intelligence to advance Earth observation: : A review of models, recent trends, and pathways forward [60.43248801101935]
本稿では、生のEOデータから使用可能なEOベースの情報への移行を通知し、支援する、重要な科学的ツールとアプローチについて、鳥の視点で説明する。
i)コンピュータビジョン, (ii) 機械学習, (iii) 高度な処理とコンピューティング, (iv) 知識ベースAI, (v) 説明可能なAIと因果推論, (vi) 物理認識モデル, (vii) ユーザ中心のアプローチ, (viii) EOにおけるML技術の大量使用に関する倫理的・社会的問題に関する議論の議論を網羅する。
論文 参考訳（メタデータ） (2023-05-15T07:47:24Z) - Counting Carbon: A Survey of Factors Influencing the Emissions of
Machine Learning [77.62876532784759]
機械学習(ML)は、モデルトレーニングプロセス中に計算を実行するためにエネルギーを使用する必要がある。
このエネルギーの生成には、使用量やエネルギー源によって、温室効果ガスの排出という観点からの環境コストが伴う。
本稿では,自然言語処理とコンピュータビジョンにおいて,95のMLモデルの炭素排出量の時間的および異なるタスクに関する調査を行う。
論文 参考訳（メタデータ） (2023-02-16T18:35:00Z) - Improving aircraft performance using machine learning: a review [57.82442188072833]
本稿では,航空宇宙工学の多分野に影響を及ぼす機械学習(ML)の新たな展開について概説する。
我々は、さまざまな航空宇宙分野にまたがるML手法の利点と課題を整理し、技術の現状を概観する。
論文 参考訳（メタデータ） (2022-10-20T07:16:53Z) - Machine learning methods for modelling and analysis of time series
signals in geoinformatics [2.193013035690221]
この論文は、異なる性質の時系列データセットと異なるアプリケーションに対して、複数のディープラーニング(DL)アーキテクチャの性能を評価する。
最初の問題は、多くのリアルタイム・グローバルナビゲーション・システム・サテライト(GNSS)アプリケーションにおいて重要な問題である電離層トータル・コンテント(TEC)モデリングに関連している。
次の問題はエネルギー分散であり、エネルギー効率とエネルギー消費意識にとって重要な問題である。
論文 参考訳（メタデータ） (2021-09-16T16:18:13Z) - A Survey on Mathematical Aspects of Machine Learning in GeoPhysics: The
Cases of Weather Forecast, Wind Energy, Wave Energy, Oil and Gas Exploration [1.0279748604797907]
本稿では,地球物理学とそれに対応するサブブランチの文脈において,機械学習技術(ML)を適用した最も注目すべき研究についてレビューする。
我々は、これまで達成された進歩と、今後の研究の重要な方向性について紹介する。
論文 参考訳（メタデータ） (2021-02-05T14:44:34Z) - Machine Learning Information Fusion in Earth Observation: A
Comprehensive Review of Methods, Applications and Data Sources [0.0]
本稿では,地球観測における問題に対する機械学習(ML)技術に基づく最も重要な情報融合アルゴリズムについて概説する。
データ駆動アプローチ、特にML技術は、このデータルージュから重要な情報を抽出する自然な選択である。
論文 参考訳（メタデータ） (2020-12-07T13:35:08Z) - DeepClimGAN: A High-Resolution Climate Data Generator [60.59639064716545]
地球系モデル(ESM)は、気候変動シナリオの将来の予測を生成するためにしばしば用いられる。
妥協として、エミュレータはかなり安価であるが、ESMの複雑さを全て備えているわけではない。
本稿では, ESMエミュレータとして, 条件付き生成逆数ネットワーク(GAN)の使用を実証する。
論文 参考訳（メタデータ） (2020-11-23T20:13:37Z)
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。