Fugu-MT 論文翻訳(概要): Enhancing Oceanic Variables Forecast in the Santos Channel by Estimating Model Error with Random Forests

論文の概要: Enhancing Oceanic Variables Forecast in the Santos Channel by Estimating Model Error with Random Forests

arxiv url: http://arxiv.org/abs/2208.05966v1
Date: Fri, 22 Jul 2022 04:48:59 GMT
ステータス: 処理完了
システム内更新日: 2022-08-28 22:36:35.252259
Title: Enhancing Oceanic Variables Forecast in the Santos Channel by Estimating Model Error with Random Forests
Title（参考訳）: ランダム林を用いたモデル誤差推定によるサントス海峡の海洋変動予測の強化
Authors: Felipe M. Moreno (1), Caio F. D. Netto (1), Marcel R. de Barros (1), Jefferson F. Coelho (1), Lucas P. de Freitas (1), Marlon S. Mathias (2), Luiz A. Schiaveto Neto (1), Marcelo Dottori (3), Fabio G. Cozman (1), Anna H. R. Costa (1), Edson S. Gomi (1), Eduardo A. Tannuri (1) ((1) Escola Polit\'ecnica - University of Sao Paulo, Brazil, (2) Instituto de Estudos Avan\c{c}ados - University of Sao Paulo, Brazil, (3) Instituto Oceanogr\'afico - University of Sao Paulo, Brazil)
Abstract要約: 海洋シナリオにおける海面高度(SSH)の予測と流速(速度と方向)を改善する。我々は,ブラジルのサントス海峡で開発された数値予測システムの誤差を予測するために,ランダムフォレストを利用する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this work we improve forecasting of Sea Surface Height (SSH) and current velocity (speed and direction) in oceanic scenarios. We do so by resorting to Random Forests so as to predict the error of a numerical forecasting system developed for the Santos Channel in Brazil. We have used the Santos Operational Forecasting System (SOFS) and data collected in situ between the years of 2019 and 2021. In previous studies we have applied similar methods for current velocity in the channel entrance, in this work we expand the application to improve the SHH forecast and include four other stations in the channel. We have obtained an average reduction of 11.9% in forecasting Root-Mean Square Error (RMSE) and 38.7% in bias with our approach. We also obtained an increase of Agreement (IOA) in 10 of the 14 combinations of forecasted variables and stations.
Abstract（参考訳）: 本研究では,海洋シナリオにおける海面高度(SSH)の予測と流速(速度と方向)を改善する。我々は,ブラジルのサントス海峡で開発された数値予測システムの誤差を予測するために,ランダムフォレストを利用する。我々は,2019年から2021年の間に,サントスの運用予測システム(SOFS)とデータを収集した。これまでの研究では、チャネル入口における電流速度に類似した手法を適用し、SHH予測を改善するためにアプリケーションを拡張し、チャネル内に4つの他のステーションを含める。ルート平均角誤差(RMSE)の予測では平均11.9%、アプローチでは38.7%の削減が得られた。また,予測変数と駅の合計14組み合わせのうち,約定値(IOA)を10で増加させた。

関連論文リスト

FengWu-W2S: A deep learning model for seamless weather-to-subseasonal forecast of global atmosphere [53.22497376154084]
本研究では,FengWuグローバル気象予報モデルに基づくFengWu-Weather to Subseasonal (FengWu-W2S)を提案する。我々は,FengWu-W2Sが大気環境を3～6週間先まで確実に予測し,マデン・ジュリア振動 (MJO) や北大西洋振動 (NAO) などの地球表面温度, 降水量, 地磁気高度, 季節内信号の予測能力を向上させることを実証した。日時から季節時の予測誤差成長に関するアブレーション実験
論文参考訳（メタデータ） (2024-11-15T13:44:37Z)
CasCast: Skillful High-resolution Precipitation Nowcasting via Cascaded Modelling [93.65319031345197]
本稿では,メソスケール降水分布と小規模パターンの予測を分離するために,決定的かつ確率的な部分からなるカスケードフレームワークCasCastを提案する。 CasCastは地域の極端降水量計のベースライン(+91.8%)をはるかに上回っている。
論文参考訳（メタデータ） (2024-02-06T08:30:47Z)
Multi-Path Long-Term Vessel Trajectories Forecasting with Probabilistic Feature Fusion for Problem Shifting [8.970625329763559]
本稿では,AIS(Automatic Identification System, 自動識別システム)データに基づく多経路長期船体軌道予測の精度向上を課題とする。我々は,1～3時間のAISデータを入力として,深層自動エンコーダモデルとフェーズド・フレームワーク・アプローチを開発した。提案モデルでは, 平均誤差と中央値誤差をそれぞれ11km, 6kmと精度良く予測できることを実証した。
論文参考訳（メタデータ） (2023-10-29T09:15:22Z)
Forecasting Tropical Cyclones with Cascaded Diffusion Models [4.272401529389713]
この研究は、生成拡散モデルを利用してサイクロン軌道と降水パターンを予測する。予測は1台のNvidia A30/RTX 2080 Tiで30分で作成できる。
論文参考訳（メタデータ） (2023-10-02T23:09:59Z)
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)
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)
Exceedance Probability Forecasting via Regression for Significant Wave Height Prediction [0.0]
沿岸災害の原因となる大きな波高の極端な値の予測に着目する。本稿では,点予測に基づく新しい手法を提案する。カナダのハリファックス沿岸に設置したスマートブイのデータを用いて実験を行った。
論文参考訳（メタデータ） (2022-06-20T14:55:17Z)
Country-wide Retrieval of Forest Structure From Optical and SAR Satellite Imagery With Bayesian Deep Learning [74.94436509364554]
本研究では,10mの解像度で森林構造変数を高密度に推定するベイズ深層学習手法を提案する。本手法は,Sentinel-2光画像とSentinel-1合成開口レーダ画像を5種類の森林構造変数のマップに変換する。ノルウェーを横断する41の空中レーザー走査ミッションの基準データに基づいて、我々のモデルを訓練し、テストする。
論文参考訳（メタデータ） (2021-11-25T16:21:28Z)
Forecasting Significant Wave Heights in Oceanic Waters [0.0]
まず,様々なパラメータをキャスティングし,30分間隔で予測した。提案アルゴリズムは,Scatter Index (SI), Bias, Correlation Coefficient, Root Mean Squared Error (RMSE) の0.130, -0.002, 0.97, 0.14を1日先立って予測する。提案アルゴリズムは,1日先進予測のための有意な波高予測に一般的に使用される最先端手法よりも,はるかに優れた性能を示す。
論文参考訳（メタデータ） (2021-05-18T15:12:11Z)
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)
Prediction of Bayesian Intervals for Tropical Storms [1.7132914341329848]
熱帯の嵐は深刻な被害をもたらす可能性があるため、その軌道を正確に予測することで、都市や生活に大きな利益をもたらす可能性がある。我々は改良手法を開発し、簡単な点推定に加えてベイズ区間の予測手法を一般化した。この結果は,ニューラルネットワークのドロップアウト値が予測と間隔にどのように影響するかを示す。
論文参考訳（メタデータ） (2020-03-10T22:31:58Z)

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。