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: 翻訳完了
• 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

• Refined climatologies of future precipitation over High Mountain Asia using probabilistic ensemble learning [16.488377500674947]
  高山アジアは極域外で最も凍った水が集中しており、19億人以上にとって重要な水源となっている。 気候変動に直面して、降水はこの地域における水文モデリングの最大の不確実性の源となっている。 本研究では,CoRCPの13の地域モデルを組み合わせた確率論的機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-01-26T22:35:24Z)
• Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region [62.09891513612252]
  地域レベルのダウンストリームタスクに特化して、リミテッド・エリア・モデリングに焦点を合わせ、モデルをトレーニングします。 我々は,気象予報が水資源の管理,農業,極度の気象事象の影響軽減に重要であるという,気象学的課題からMENA地域を考察する。 本研究では,パラメータ効率のよい微調整手法,特にローランド適応(LoRA)とその変種を統合することの有効性を検証することを目的とした。
  論文  参考訳（メタデータ） (2024-09-11T19:31:56Z)
• Uncertainty-aware segmentation for rainfall prediction post processing [0.7646713951724011]
  日次累積降水量の予測を後処理するための不確実性を考慮した深層学習モデルについて検討する。 本研究では,様々な最先端モデルを比較し,よく知られたSDE-Netの変種を提案する。 その結果,すべてのディープラーニングモデルは,平均的ベースラインNWPソリューションよりも有意に優れていた。
  論文  参考訳（メタデータ） (2024-08-28T16:31:40Z)
• MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
  気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。 以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。 本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
  論文  参考訳（メタデータ） (2024-08-20T13:45:49Z)
• Wind Power Prediction across Different Locations using Deep Domain Adaptive Learning [0.0]
  この断続的再生源のグリッド統合には,風力の正確な予測が不可欠である。 特定の気候領域のデータから学習する予測モデルは、ロバストさの低下に悩まされる可能性がある。 この欠点に対処するために、ディープニューラルネットワーク(DNN)に基づくドメイン適応アプローチを提案する。 提案手法は従来の非適応法と比較して6.14%から28.44%まで高い精度を示す。
  論文  参考訳（メタデータ） (2024-05-18T05:57:52Z)
• 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 Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  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)
• 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)
• 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)
• 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。