論文の概要: Probabilistic forecasts of extreme heatwaves using convolutional neural
networks in a regime of lack of data
- arxiv url: http://arxiv.org/abs/2208.00971v1
- Date: Mon, 1 Aug 2022 16:19:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-02 15:03:11.685943
- Title: Probabilistic forecasts of extreme heatwaves using convolutional neural
networks in a regime of lack of data
- Title(参考訳): データ不足状態における畳み込みニューラルネットワークによる極端熱波の確率論的予測
- Authors: George Miloshevich, Bastien Cozian, Patrice Abry, Pierre Borgnat, and
Freddy Bouchet
- Abstract要約: 極端熱波の予測モデルを構築する手法を開発した。
これらのモデルは、非常に長い8000年間の気候モデル出力に基づいて訓練された畳み込みニューラルネットワークに基づいている。
ディープニューラルネットワークは、フランス上空の14日間のヒートウェーブに対して、この目的に適していることを示す。
- 参考スコア(独自算出の注目度): 6.972317847755389
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Understanding extreme events and their probability is key for the study of
climate change impacts, risk assessment, adaptation, and the protection of
living beings. In this work we develop a methodology to build forecasting
models for extreme heatwaves. These models are based on convolutional neural
networks, trained on extremely long 8,000-year climate model outputs. Because
the relation between extreme events is intrinsically probabilistic, we
emphasise probabilistic forecast and validation. We demonstrate that deep
neural networks are suitable for this purpose for long lasting 14-day heatwaves
over France, up to 15 days ahead of time for fast dynamical drivers (500 hPa
geopotential height fields), and also at much longer lead times for slow
physical drivers (soil moisture). The method is easily implemented and
versatile. We find that the deep neural network selects extreme heatwaves
associated with a North-Hemisphere wavenumber-3 pattern. We find that the 2
meter temperature field does not contain any new useful statistical information
for heatwave forecast, when added to the 500 hPa geopotential height and soil
moisture fields. The main scientific message is that training deep neural
networks for predicting extreme heatwaves occurs in a regime of drastic lack of
data. We suggest that this is likely the case for most other applications to
large scale atmosphere and climate phenomena. We discuss perspectives for
dealing with the lack of data regime, for instance rare event simulations, and
how transfer learning may play a role in this latter task.
- Abstract(参考訳): 極端な出来事とその可能性を理解することは、気候変動の影響、リスクアセスメント、適応、そして生物の保護を研究する上で鍵となる。
本研究では,極端熱波の予測モデルを構築する手法を開発する。
これらのモデルは、非常に長い8000年間の気候モデル出力に基づいて訓練された畳み込みニューラルネットワークに基づいている。
極端な事象の関係は本質的に確率的であるため、確率的予測と検証を強調する。
我々は、深層ニューラルネットワークが、フランスにおける14日間にわたる長時間のヒートウェーブ、高速動的ドライバ(500 hpaジオポテンシャル高原)の最大15日前、および遅い物理的ドライバ(土壌水分)のリードタイムに、この目的に適していることを実証する。
この方法は容易に実装でき、多用途である。
深部ニューラルネットワークは,北半球波数3パターンに付随する極端な熱波を選択する。
2mの温度場は,500 hpaの地電位高度と土壌水分場に加えられた場合,新たな熱波予報の統計情報を含まないことが判明した。
主な科学的メッセージは、極端に熱波を予測するためのディープニューラルネットワークのトレーニングは、データの急激な欠如の時代に起こるということだ。
これは、大規模大気や気候現象への他のほとんどの応用に当てはまる可能性が高い。
本稿では,レアイベントシミュレーションなど,データレジームの欠如に対処するための視点と,後者のタスクにおいてトランスファー学習が果たす役割について論じる。
関連論文リスト
- 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) - 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) - Extreme heatwave sampling and prediction with analog Markov chain and
comparisons with deep learning [0.0]
本研究では,フランスとスカンジナビアにおける熱波の確率推定に適したデータ駆動型エミュレータ,天気発生器(SWG)を提案する。
我々は,中間複雑性気候モデルを用いてエミュレータを訓練し,サンプルからの熱波の条件付き確率(予測)を予測することができることを示した。
SWGによる確率的予測は、畳み込みニューラルネットワーク(CNN)による予測と比較される。
論文 参考訳(メタデータ) (2023-07-18T08:25:14Z) - 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) - Long-term hail risk assessment with deep neural networks [0.0]
農作物、果樹園、インフラの被害を見積り、軽減するためには、危険リスク評価が必要である。
特定の領域におけるヘイル頻度の変化をデータ駆動で予測する機械学習モデルはありません。
本研究は,2つのアプローチを比較し,過去数十年の干ばつ頻度の変化を予測する作業に適したモデルを提案する。
論文 参考訳(メタデータ) (2022-08-31T18:24:39Z) - 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) - Probabilistic modeling of lake surface water temperature using a
Bayesian spatio-temporal graph convolutional neural network [55.41644538483948]
本研究では,湖沼の温度をある程度の深さでシミュレーションし,気象学的特徴と合わせて評価することを提案する。
本研究は,提案モデルが湖沼表面全体に均質に優れた性能をもたらすことを示す。
結果は、最先端のベイズ深層学習法と比較される。
論文 参考訳(メタデータ) (2021-09-27T09:19:53Z) - Physics-informed generative neural network: an application to
troposphere temperature prediction [7.671706872145985]
本稿では,物理インフォームド深層学習における新しい温度予測手法を提案する。
PGnetと呼ばれる新しいモデルは、マスクマトリックスを備えた生成ニューラルネットワークの上に構築されている。
ERA5の実験では、PGnetは最先端技術よりもより洗練された温度予測を生成できることが示されている。
論文 参考訳(メタデータ) (2021-07-08T09:07:07Z) - A computationally efficient neural network for predicting weather
forecast probabilities [0.0]
ニューラルネットワークを用いて1つの出力値ではなく確率密度関数を予測するという,新しいアプローチを採用する。
これにより、ニューラルネットワーク予測における不確実性とスキルメトリクスの両方の計算が可能になる。
このアプローチは純粋にデータ駆動であり、ニューラルネットワークはWeatherBenchデータセット上で訓練される。
論文 参考訳(メタデータ) (2021-03-26T12:28:15Z) - Deep Learning based Extreme Heatwave Forecast [8.975667614727648]
最先端のプラシム・プラネット・シミュレーターの気候モデルデータを用いて,大クラスのアンダーサンプリングと転送学習を含む畳み込みニューラルネットワークに基づく深層学習フレームワークが,極端な熱波の発生を予測する上で有意な性能を発揮することを示した。
論文 参考訳(メタデータ) (2021-03-17T16:10:06Z) - 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。