論文の概要: Long-term hail risk assessment with deep neural networks
- arxiv url: http://arxiv.org/abs/2209.01191v1
- Date: Wed, 31 Aug 2022 18:24:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-05 13:02:04.251267
- Title: Long-term hail risk assessment with deep neural networks
- Title(参考訳): 深層ニューラルネットワークを用いた長期ヘイルリスク評価
- Authors: Ivan Lukyanenko (1), Mikhail Mozikov (2), Yury Maximov (3), Ilya
Makarov (4) ((1) Moscow Institute of Physics and Technologies, (2) Skolkovo
Institute of Science and Technology, (3) Los Alamos National Laboratory, (4)
Artificial Intelligence Research Institute)
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hail risk assessment is necessary to estimate and reduce damage to crops,
orchards, and infrastructure. Also, it helps to estimate and reduce consequent
losses for businesses and, particularly, insurance companies. But hail
forecasting is challenging. Data used for designing models for this purpose are
tree-dimensional geospatial time series. Hail is a very local event with
respect to the resolution of available datasets. Also, hail events are rare -
only 1% of targets in observations are marked as "hail". Models for nowcasting
and short-term hail forecasts are improving. Introducing machine learning
models to the meteorology field is not new. There are also various climate
models reflecting possible scenarios of climate change in the future. But there
are no machine learning models for data-driven forecasting of changes in hail
frequency for a given area.
The first possible approach for the latter task is to ignore spatial and
temporal structure and develop a model capable of classifying a given vertical
profile of meteorological variables as favorable to hail formation or not.
Although such an approach certainly neglects important information, it is very
light weighted and easily scalable because it treats observations as
independent from each other. The more advanced approach is to design a neural
network capable to process geospatial data. Our idea here is to combine
convolutional layers responsible for the processing of spatial data with
recurrent neural network blocks capable to work with temporal structure.
This study compares two approaches and introduces a model suitable for the
task of forecasting changes in hail frequency for ongoing decades.
- Abstract(参考訳): hailリスクアセスメントは、作物、果樹園、インフラの被害を見積り、軽減するために必要である。
また、企業、特に保険会社の損失の見積もりや削減にも役立ちます。
しかし、ヘイル予測は難しい。
この目的のためにモデルの設計に使用されるデータは、木次元地理空間時系列である。
Hailは、利用可能なデータセットの解決に関して、非常にローカルなイベントである。
また、観測対象の1%のみが「ハイル」とマークされることは稀である。
近況や短期の干ばつ予測のモデルが改善されている。
気象分野への機械学習モデルの導入は新しいものではない。
将来の気候変動のシナリオを反映した様々な気候モデルも存在する。
しかし、特定の領域におけるハ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。
後者のタスクで考えられる最初のアプローチは、空間的および時間的構造を無視し、与えられた気象変数の垂直プロファイルを、ヘイル形成に好適かどうかを分類できるモデルを開発することである。
このようなアプローチは重要な情報を無視するが、観測を互いに独立して扱うため、非常に軽量でスケーラブルである。
より高度なアプローチは、地理空間データを処理できるニューラルネットワークを設計することである。
ここでの考え方は、空間データの処理に責任を負う畳み込み層と、時間構造を扱うことができるリカレントニューラルネットワークブロックを組み合わせることです。
本研究は,2つのアプローチを比較し,今後数十年の発声頻度の変化予測に適したモデルを提案する。
関連論文リスト
- Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
本稿では,天気予報をより微細なテンポラルスケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。
具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。
我々は、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークを導入する。
論文 参考訳(メタデータ) (2024-05-22T16:21:02Z) - CaFA: Global Weather Forecasting with Factorized Attention on Sphere [7.687215328455751]
本稿では, この問題を緩和するために, 球面測地に適した因子化アテンションモデルを提案する。
提案モデルの1.5円および0-7日のリードタイムにおける決定論的予測精度は、最先端のデータ駆動型機械学習天気予報モデルと同等である。
論文 参考訳(メタデータ) (2024-05-12T23:18:14Z) - Spatial-temporal Forecasting for Regions without Observations [13.805203053973772]
本研究では,歴史的観察を伴わない関心領域の時空間予測について検討した。
タスクに対してSTSMというモデルを提案する。
私たちの重要な洞察は、関心のある領域に類似している場所から学ぶことです。
論文 参考訳(メタデータ) (2024-01-19T06:26:05Z) - 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) - Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。
MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。
MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
論文 参考訳(メタデータ) (2023-06-06T07:07:54Z) - An evaluation of deep learning models for predicting water depth
evolution in urban floods [59.31940764426359]
高空間分解能水深予測のための異なる深層学習モデルの比較を行った。
深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。
その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
論文 参考訳(メタデータ) (2023-02-20T16:08:54Z) - ClimaX: A foundation model for weather and climate [51.208269971019504]
ClimaXは気象と気候科学のディープラーニングモデルである。
気候データセットの自己教師型学習目標で事前トレーニングすることができる。
気候や気候の様々な問題に対処するために、微調整が可能である。
論文 参考訳(メタデータ) (2023-01-24T23:19:01Z) - A case study of spatiotemporal forecasting techniques for weather forecasting [4.347494885647007]
実世界のプロセスの相関は時間的であり、それらによって生成されたデータは空間的および時間的進化の両方を示す。
時系列モデルが数値予測の代替となる。
本研究では,分解時間予測モデルにより計算コストを低減し,精度を向上することを示した。
論文 参考訳(メタデータ) (2022-09-29T13:47:02Z) - Seamless lightning nowcasting with recurrent-convolutional deep learning [2.175391729845306]
未来に向けて5分間の時間分解能で雷の発生を予測する深層学習モデルが提示される。
このモデルは、対流の発生を認識・予測できる再帰的・時間的アーキテクチャに基づいている。
予測は、嵐物体の検出と追跡を使わずに、静止格子上で実行される。
論文 参考訳(メタデータ) (2022-03-15T12:54:17Z) - Improving data-driven global weather prediction using deep convolutional
neural networks on a cubed sphere [7.918783985810551]
深層畳み込みニューラルネットワーク(CNN)を用いたデータ駆動型世界天気予報フレームワークを提案する。
このフレームワークの新しい開発には、オフラインの体積保存的マッピングから立方体球格子へのマッピングが含まれる。
我々のモデルでは、入力された大気状態の少ない変数から複雑な表面温度パターンを予測することができる。
論文 参考訳(メタデータ) (2020-03-15T19:57:34Z)
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。