論文の概要: Adaptive Bias Correction for Improved Subseasonal Forecasting
- arxiv url: http://arxiv.org/abs/2209.10666v1
- Date: Wed, 21 Sep 2022 21:22:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-23 13:08:41.246113
- Title: Adaptive Bias Correction for Improved Subseasonal Forecasting
- Title(参考訳): 改良型サブシーズン予測のための適応バイアス補正
- Authors: Soukayna Mouatadid, Paulo Orenstein, Genevieve Flaspohler, Judah
Cohen, Miruna Oprescu, Ernest Fraenkel, Lester Mackey
- Abstract要約: 本稿では,最先端のサブシーズンモデルと機械学習を組み合わせた適応補正バイアス(ABC)手法を提案する。
ABCの手法は、最先端のサブシーズンモデルと機械学習を組み合わせたものである。
我々は、特定の気候条件に基づいて高度な窓を特定することで改善を図っている。
- 参考スコア(独自算出の注目度): 22.29412394093264
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Subseasonal forecasting $\unicode{x2013}$ predicting temperature and
precipitation 2 to 6 weeks $\unicode{x2013}$ ahead is critical for effective
water allocation, wildfire management, and drought and flood mitigation. Recent
international research efforts have advanced the subseasonal capabilities of
operational dynamical models, yet temperature and precipitation prediction
skills remains poor, partly due to stubborn errors in representing atmospheric
dynamics and physics inside dynamical models. To counter these errors, we
introduce an adaptive bias correction (ABC) method that combines
state-of-the-art dynamical forecasts with observations using machine learning.
When applied to the leading subseasonal model from the European Centre for
Medium-Range Weather Forecasts (ECMWF), ABC improves temperature forecasting
skill by 60-90% and precipitation forecasting skill by 40-69% in the contiguous
U.S. We couple these performance improvements with a practical workflow, based
on Cohort Shapley, for explaining ABC skill gains and identifying higher-skill
windows of opportunity based on specific climate conditions.
- Abstract(参考訳): サブシーズン予測$\unicode{x2013}$ 気温と降水量の予測 2 - 6週間 $\unicode{x2013}$ 前は効果的な水の割り当て、山火事の管理、干ばつと洪水の軽減に重要である。
近年の国際研究により、運用力学モデルの季節的能力が向上しているが、温度と降水予測のスキルは乏しいままである。
そこで本研究では,最先端の動的予測と機械学習を用いた観測を組み合わせた適応バイアス補正(abc)手法を提案する。
欧州中レージ気象予報センター(ECMWF)の先行サブシーズンモデルに適用すると、ABCは連続した米国において60~90%、降水予測技術は40~69%向上する。
これらの性能改善を,コホート・シャプリー(Cohort Shapley)をベースとした実践的なワークフローと組み合わせ,ABCのスキル向上を説明するとともに,特定の気候条件に基づいて高度な機会窓を特定する。
関連論文リスト
- ExtremeCast: Boosting Extreme Value Prediction for Global Weather
Forecast [61.138475638813354]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。
また,ExEnsembleという名称のトレーニングフリーな極値拡張戦略を導入し,画素値のばらつきを増大させ,予測ロバスト性を向上させる。
提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文 参考訳(メタデータ) (2024-02-02T10:34:13Z) - 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) - FengWu: Pushing the Skillful Global Medium-range Weather Forecast beyond
10 Days Lead [93.67314652898547]
人工知能(AI)に基づく高度データ駆動型中距離気象予報システムFengWuについて紹介する。
FengWuは大気力学を正確に再現し、0.25度緯度で37の垂直レベルで将来の陸と大気の状態を予測することができる。
その結果、FengWuは予測能力を大幅に向上させ、熟練した中距離気象予報を10.75日間のリードまで拡張できることがわかった。
論文 参考訳(メタデータ) (2023-04-06T09:16:39Z) - A Machine Learning Outlook: Post-processing of Global Medium-range
Forecasts [0.0]
後処理は通常、数値気象予測(NWP)モデルの出力を受け取り、線形統計手法を適用する。
本研究では, 温度850hPaで7日間の予測において, 最大12%(RMSE)の精度向上を達成できることを示す。
我々は、ルート平均二乗誤差 (RMSE) や異常相関係数 (ACC) といった標準メトリクスを使用する際の課題について議論する。
論文 参考訳(メタデータ) (2023-03-28T20:48:01Z) - 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) - GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。
全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。
我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
論文 参考訳(メタデータ) (2022-12-24T18:15:39Z) - Generative Modeling of High-resolution Global Precipitation Forecasts [2.1485350418225244]
GAN(Generative Adversarial Network)を用いた最先端の深層学習降水モデル(FourCastNet)のアーキテクチャとトレーニングプロセスの改善について述べる。
我々の改良は, 降水量の極端にパーセンタイルを捕捉する上で, 1~2日間のリードタイムでの予測能力において, 最先端のNWPモデルに匹敵する優れた性能を実現している。
論文 参考訳(メタデータ) (2022-10-22T17:21:16Z) - Extreme Precipitation Seasonal Forecast Using a Transformer Neural
Network [0.0]
本稿では, 時間融合変圧器 (TFT) モデルを用いて, 毎週最大降水量の定量化を最大6ヶ月前に予測する手法を提案する。
以上の結果から,TFT予測はS5の予測よりも有意に優れており,気候学に比べて全体的な改善は少ないことが示唆された。
論文 参考訳(メタデータ) (2021-07-14T17:02:15Z) - Improving seasonal forecast using probabilistic deep learning [1.1988695717766686]
我々は,季節予測能力と予測診断力を高めるための確率論的ディープニューラルネットワークモデルを開発した。
気候シミュレーションで符号化された複雑な物理的関係を活用することで、我々のモデルは好ましい決定論的および確率論的スキルを示す。
季節変動の支配的なモードであるエルニーニョ/南部の振動が、世界の季節予測可能性をどのように調節するかについて、より決定的な答えを与える。
論文 参考訳(メタデータ) (2020-10-27T21:02:26Z) - 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)
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。