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
- 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) - Forecasting Tropical Cyclones with Cascaded Diffusion Models [4.946595418809814]
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 [78.63225885697149]
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。
多様な時間的ニューラルネットワークモデルを用いたエンドツーエンドアプローチを導入することで、干ばつデータに対処する。
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) - Intelligent model for offshore China sea fog forecasting [0.7503129292751938]
本研究は, 数値気象予報モデルに埋もれた深海霧予測手法を開発することを目的とする。
本研究では,海霧発生の要因を解明するために,時間差相関解析手法を用いて鍵予測器を同定し,そのメカニズムを解明する。
提案手法の精度を検証するため,1年にわたる包括的データセットを用いて評価を行った。
論文 参考訳(メタデータ) (2023-07-20T04:46:34Z) - A Deep Learning Method for Real-time Bias Correction of Wind Field
Forecasts in the Western North Pacific [24.287588853356972]
2020年12月から2021年11月までにECから10日間の風速予測のための実時間転動バイアス補正を行った。
風速と風向バイアスはそれぞれ8-11%,9-14%減少した。
論文 参考訳(メタデータ) (2022-12-29T02:58:12Z) - 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) - 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) - Learning Interpretable Deep State Space Model for Probabilistic Time
Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。
本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。
実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文 参考訳(メタデータ) (2021-01-31T06:49:33Z) - 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。