論文の概要: Predicting spatial distribution of Palmer Drought Severity Index
- arxiv url: http://arxiv.org/abs/2208.14833v2
- Date: Thu, 1 Sep 2022 05:17:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-02 11:35:49.522386
- Title: Predicting spatial distribution of Palmer Drought Severity Index
- Title(参考訳): Palmer Drought Severity Index の空間分布予測
- Authors: V. Grabar, A. Lukashevich, A. Zaytsev
- Abstract要約: 我々はPalmer Drought Severity Index(PDSI)を関心のサブリージョンに予測するモデルを構築した。
我々は、異なる条件下で、世界中の様々な地域を調査する。
我々は、モデルがより良い意思決定とより持続可能な経済を実現するのにどのように役立つかを分析して結果を補完する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: The probability of a drought for a particular region is crucial when making
decisions related to agriculture. Forecasting this probability is critical for
management and challenging at the same time. The prediction model should
consider multiple factors with complex relationships across the region of
interest and neighbouring regions.
We approach this problem by presenting an end-to-end solution based on a
spatio-temporal neural network. The model predicts the Palmer Drought Severity
Index (PDSI) for subregions of interest. Predictions by climate models provide
an additional source of knowledge of the model leading to more accurate drought
predictions.
Our model has better accuracy than baseline Gradient boosting solutions, as
the $R^2$ score for it is $0.90$ compared to $0.85$ for Gradient boosting.
Specific attention is on the range of applicability of the model. We examine
various regions across the globe to validate them under different conditions.
We complement the results with an analysis of how future climate changes for
different scenarios affect the PDSI and how our model can help to make better
decisions and more sustainable economics.
- Abstract(参考訳): 特定の地域で干ばつが起こる確率は、農業に関する決定を行う際に重要である。
この確率を予測することはマネジメントにとって重要であり、同時に挑戦する。
予測モデルは、関心領域と近隣領域の複雑な関係を持つ複数の要因を考慮すべきである。
本稿では,時空間ニューラルネットワークに基づくエンドツーエンドのソリューションを提案することでこの問題に対処する。
このモデルは、関心のサブリージョンに対するPalmer Drought Severity Index(PDSI)を予測する。
気候モデルによる予測は、より正確な干ばつ予測につながるモデルに関するさらなる知識を提供する。
我々のモデルは、ベースライン勾配ブースティングソリューションよりも精度が良く、それに対する$r^2$スコアは$0.90$であり、勾配ブースティングは$0.85$である。
特定の注意は、モデルの適用範囲に向けられる。
我々は世界中の様々な地域を調査し、異なる条件下で検証する。
我々は、異なるシナリオにおける将来の気候変動がpdsiに与える影響と、我々のモデルがより良い意思決定とより持続可能な経済にどのように役立つかを分析して、結果を補完する。
関連論文リスト
- Location Agnostic Source-Free Domain Adaptive Learning to Predict Solar
Power Generation [0.0]
本稿では,気象特性を用いた太陽発電を推定するためのドメイン適応型ディープラーニングフレームワークを提案する。
フィードフォワード深部畳み込みネットワークモデルは、既知の位置データセットを教師付きでトレーニングし、後に未知の場所の太陽エネルギーを予測するために使用される。
我々の手法では、カリフォルニア(CA)、フロリダ(FL)、ニューヨーク(NY)の順応的でない手法と比較して、太陽エネルギー予測精度が10.47 %、7.44 %、5.11%の改善が見られた。
論文 参考訳(メタデータ) (2024-01-24T02:08:48Z) - Comparing Data-Driven and Mechanistic Models for Predicting Phenology in
Deciduous Broadleaf Forests [47.285748922842444]
我々は、気象時系列から表現指標を予測するために、ディープニューラルネットワークを訓練する。
このアプローチは従来のプロセスベースのモデルよりも優れています。
論文 参考訳(メタデータ) (2024-01-08T15:29:23Z) - Reducing Uncertainty in Sea-level Rise Prediction: A
Spatial-variability-aware Approach [4.32583920500711]
本稿では,空間的変動とモデル間依存性に対処する空間回帰モデルを提案する。
実験結果から,本手法により得られた重みを地域規模でより信頼性の高い予測を行うことができた。
論文 参考訳(メタデータ) (2023-10-19T02:13:38Z) - 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 [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) - Increasing the accuracy and resolution of precipitation forecasts using
deep generative models [3.8073142980733]
我々は、高分解能でバイアス補正された予測のアンサンブルを生成するために、CorrectorGANという条件付きジェネレーティブ・アドバイサル・ネットワークを訓練する。
一度訓練されたCorrectorGANは、1台のマシンで数秒で予測を生成する。
その結果、地域モデルの必要性や、データ駆動型ダウンスケーリングと修正手法がデータ・プール領域に移行できるかどうかについて、エキサイティングな疑問が浮かび上がっている。
論文 参考訳(メタデータ) (2022-03-23T09:45:12Z) - Deep Learning Based Cloud Cover Parameterization for ICON [55.49957005291674]
我々は,実地域およびグローバルICONシミュレーションに基づいて,粗粒度データを用いたNNベースのクラウドカバーパラメータ化を訓練する。
グローバルに訓練されたNNは、地域シミュレーションのサブグリッドスケールのクラウドカバーを再現することができる。
我々は,コラムベースNNがグローバルから局所的な粗粒データに完全に一般化できない理由として,特定の湿度と雲氷上の過剰なエンハンシスを同定する。
論文 参考訳(メタデータ) (2021-12-21T16:10:45Z) - 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 framework for probabilistic weather forecast post-processing across
models and lead times using machine learning [3.1542695050861544]
我々はNWPモデルと意思決定支援の「理想的な」予測とのギャップを埋める方法について述べる。
本研究では,各数値モデルの誤差プロファイルの学習にQuantile Regression Forestsを使用し,これを経験から得られた確率分布を予測に適用する。
第2に、これらの確率予測を量子平均化(quantile averaging)を用いて組み合わせ、第3に、集合量子化の間で補間して完全な予測分布を生成する。
論文 参考訳(メタデータ) (2020-05-06T16:46:02Z) - Decision-Making with Auto-Encoding Variational Bayes [71.44735417472043]
変分分布とは異なる後部近似を用いて意思決定を行うことが示唆された。
これらの理論的な結果から,最適モデルに関するいくつかの近似的提案を学習することを提案する。
おもちゃの例に加えて,単細胞RNAシークエンシングのケーススタディも紹介する。
論文 参考訳(メタデータ) (2020-02-17T19:23:36Z)
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。