論文の概要: DL-Corrector-Remapper: A grid-free bias-correction deep learning
methodology for data-driven high-resolution global weather forecasting
- arxiv url: http://arxiv.org/abs/2210.12293v1
- Date: Fri, 21 Oct 2022 23:04:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-25 21:27:42.643825
- Title: DL-Corrector-Remapper: A grid-free bias-correction deep learning
methodology for data-driven high-resolution global weather forecasting
- Title(参考訳): DL-Corrector-Remapper:データ駆動高解像度世界天気予報のためのグリッドフリーバイアス補正深層学習手法
- Authors: Tao Ge and Jaideep Pathak and Akshay Subramaniam and Karthik Kashinath
- Abstract要約: 我々はFourCastNet(FCN)の一様予測を補正し、再マップし、微調整する手法を開発した。
これは、数値天気予報(NWP)のバイアス補正と後処理に似ている
私たちはこのネットワークをDLCR(Deep-Learning-Corrector-Remapper)と呼ぶ。
- 参考スコア(独自算出の注目度): 11.334341754942917
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Data-driven models, such as FourCastNet (FCN), have shown exemplary
performance in high-resolution global weather forecasting. This performance,
however, is based on supervision on mesh-gridded weather data without the
utilization of raw climate observational data, the gold standard ground truth.
In this work we develop a methodology to correct, remap, and fine-tune gridded
uniform forecasts of FCN so it can be directly compared against observational
ground truth, which is sparse and non-uniform in space and time. This is akin
to bias correction and post-processing of numerical weather prediction (NWP), a
routine operation at meteorological and weather forecasting centers across the
globe. The Adaptive Fourier Neural Operator (AFNO) architecture is used as the
backbone to learn continuous representations of the atmosphere. The spatially
and temporally non-uniform output is evaluated by the non-uniform discrete
inverse Fourier transform (NUIDFT) given the output query locations. We call
this network the Deep-Learning-Corrector-Remapper (DLCR). The improvement in
DLCR's performance against the gold standard ground truth over the baseline's
performance shows its potential to correct, remap, and fine-tune the
mesh-gridded forecasts under the supervision of observations.
- Abstract(参考訳): FourCastNet(FCN)のようなデータ駆動モデルは、高解像度のグローバル気象予報において模範的な性能を示している。
しかし、この性能は、生の気候観測データ(金標準地上真実)を使わずにメッシュグリッドによる気象データの監視に基づいている。
本研究は,不均一で空間や時間に不均一な観測地真実と直接比較できるように,FCNの一様予測を補正し,再マップし,修正する手法を開発する。
これは、世界中の気象予報センターで定期的に行われる数値気象予報(NWP)のバイアス補正と後処理に似ている。
適応フーリエニューラルオペレータ(AFNO)アーキテクチャは、大気の連続的な表現を学習するためのバックボーンとして使用される。
空間的および時間的非一様出力は、出力クエリの場所を与えられた非一様離散逆フーリエ変換(nuidft)によって評価される。
このネットワークをDLCR(Deep-Learning-Corrector-Remapper)と呼ぶ。
ベースラインの性能に対する金の標準的真実に対するDLCRの性能改善は、観測の監督の下でメッシュグリッドの予測を正し、再マップし、微調整する可能性を示している。
関連論文リスト
- Genuine Knowledge from Practice: Diffusion Test-Time Adaptation for
Video Adverse Weather Removal [53.15046196592023]
ビデオの悪天候除去におけるテスト時間適応について紹介する。
本稿では,テスト時間適応を反復拡散逆プロセスに統合する最初のフレームワークを提案する。
論文 参考訳(メタデータ) (2024-03-12T14:21:30Z) - 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) - Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳(メタデータ) (2024-01-22T14:02:56Z) - Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。
提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
論文 参考訳(メタデータ) (2023-11-30T08:22:08Z) - Generative ensemble deep learning severe weather prediction from a
deterministic convection-allowing model [0.0]
コンボリューション・ニューラル・ネットワーク(CNN)とコンボリューション・コンボリューション・アロイング・モデル(CAM)予測を併用する。
CGANは決定論的CAM予測から合成アンサンブルメンバーを作成するように設計されている。
この手法は,BSS(Brier Skill Score)を最大20%の精度で予測できる。
論文 参考訳(メタデータ) (2023-10-09T18:02:11Z) - Precipitation nowcasting with generative diffusion models [0.0]
降水処理における拡散モデルの有効性について検討した。
本研究は, 確立されたU-Netモデルの性能と比較したものである。
論文 参考訳(メタデータ) (2023-08-13T09:51:16Z) - Verification against in-situ observations for Data-Driven Weather
Prediction [0.14504054468850663]
近年,データ駆動型気象予報モデル (DDWP) が急速に進展している。
DDWPを真の運用環境で厳格に評価する作業は、まだ残っている。
本研究では,NOAA MADISプログラムから得られたその場観測の頑健なデータセットについて,DDWPを運用環境で評価するためのベンチマークとして機能する。
論文 参考訳(メタデータ) (2023-04-28T18:58:36Z) - Forecasting large-scale circulation regimes using deformable
convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討
今後1~15日にわたって北大西洋-欧州の気象条件を予測した。
より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5~6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
論文 参考訳(メタデータ) (2022-02-10T11:37:00Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳(メタデータ) (2021-07-14T21:10:47Z) - 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。