論文の概要: Beyond Ensemble Averages: Leveraging Climate Model Ensembles for
Subseasonal Forecasting
- arxiv url: http://arxiv.org/abs/2211.15856v3
- Date: Fri, 8 Mar 2024 17:45:35 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-11 23:44:21.027410
- Title: Beyond Ensemble Averages: Leveraging Climate Model Ensembles for
Subseasonal Forecasting
- Title（参考訳）: 平均アンサンブルを超える - サブシーズン予測のための気候モデルアンサンブルの活用
- Authors: Elena Orlova, Haokun Liu, Raphael Rossellini, Benjamin Cash, Rebecca
Willett
- Abstract要約: 本研究では,機械学習モデル(ML)を時系列予測のための後処理ツールとして応用することを検討した。
月平均降水量と2m温度を予測するため,様々なML手法にラベル付き数値アンサンブル予測と観測データを組み込んだ。
- 参考スコア（独自算出の注目度）: 10.25541454330214
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Producing high-quality forecasts of key climate variables, such as
temperature and precipitation, on subseasonal time scales has long been a gap
in operational forecasting. This study explores an application of machine
learning (ML) models as post-processing tools for subseasonal forecasting.
Lagged numerical ensemble forecasts (i.e., an ensemble where the members have
different initial dates) and observational data, including relative humidity,
pressure at sea level, and geopotential height, are incorporated into various
ML methods to predict monthly average precipitation and two-meter temperature
two weeks in advance for the continental United States. Regression, quantile
regression, and tercile classification tasks using linear models, random
forests, convolutional neural networks, and stacked models (a multi-model
approach based on the prediction of the individual ML models) are considered.
Unlike previous ML approaches that often use ensemble mean alone, we leverage
information embedded in the ensemble forecasts to enhance prediction accuracy.
Additionally, we investigate extreme event predictions that are crucial for
planning and mitigation efforts. Considering ensemble members as a collection
of spatial forecasts, we explore different approaches to address spatial
variability. Trade-offs between different approaches may be mitigated with
model stacking. Our proposed models outperform standard baselines such as
climatological forecasts and ensemble means. This paper further includes an
investigation of feature importance, trade-offs between using the full ensemble
or only the ensemble mean, and different modes of accounting for spatial
variability.
- Abstract（参考訳）: 温暖化や降水などの重要な気候変数の季節下時間スケールによる高品質な予測は、長年にわたって運用予測のギャップであった。
本研究は,サブシーズン予測のための後処理ツールとしての機械学習(ml)モデルの応用について検討する。
ラグされた数値アンサンブル予測(すなわち、メンバーが初期日数が異なるアンサンブル)と相対湿度、海面圧力、地球電位の高さを含む観測データは、アメリカ合衆国大陸のために毎月の平均降水量と2メートルの気温を予報するために様々なml法に組み込まれている。
線形モデル、ランダムフォレスト、畳み込みニューラルネットワーク、および積み重ねモデル(個々のMLモデルの予測に基づくマルチモデルアプローチ)を用いた回帰、量子回帰、およびtercile分類タスクについて考察する。
アンサンブルを単独で使用する従来のMLアプローチとは異なり、アンサンブル予測に埋め込まれた情報を活用して予測精度を向上させる。
さらに,計画や緩和に不可欠な極端な事象予測についても検討する。
空間予測の集まりとしてのアンサンブル構成員を考察し,空間変動に対処するための異なるアプローチを検討する。
異なるアプローチ間のトレードオフは、モデル積み重ねによって緩和される可能性がある。
提案モデルは,気候予報やアンサンブル手段などの標準基準を上回っている。
本稿ではさらに,特徴量の重要性,全アンサンブルの使用とアンサンブル平均のみの使用のトレードオフ,空間変動の計算方法の相違について検討する。
関連論文リスト
- On conditional diffusion models for PDE simulations [53.01911265639582]
スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。
本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。
また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
論文 参考訳（メタデータ） (2024-10-21T18:31:04Z) - Applications of machine learning to predict seasonal precipitation for East Africa [0.0]
大規模な気候変動は、局所的または地域的温度または降水と線形または非線型な方法で関連付けられている。
本稿では,東アフリカにおける季節降水量の予測に解釈可能なML手法を用いることを検討した。
論文 参考訳（メタデータ） (2024-09-10T06:16:03Z) - An ensemble of data-driven weather prediction models for operational sub-seasonal forecasting [0.08106028186803123]
運用可能なマルチモデルアンサンブル天気予報システムを提案する。
データ駆動型天気予報モデルを用いたマルチモデルアンサンブル手法により、最先端のサブシーズン・シーズン・シーズン予測を実現することができる。
論文 参考訳（メタデータ） (2024-03-22T20:01:53Z) - Predictive Churn with the Set of Good Models [64.05949860750235]
近似機械学習モデルの集合に対する競合予測の効果について検討する。
ラーショモン集合内のモデル間の係り受けに関する理論的結果を示す。
当社のアプローチは、コンシューマ向けアプリケーションにおいて、より予測し、削減し、混乱を避けるためにどのように使用できるかを示します。
論文 参考訳（メタデータ） (2024-02-12T16:15:25Z) - Attention-Based Ensemble Pooling for Time Series Forecasting [55.2480439325792]
本稿では,候補モデル予測よりも重み付き平均値を実行するプーリング法を提案する。
本手法は,非定常ロレンツ63方程式の動力学の多段階予測と,COVID-19による週次死亡事故の1段階予測という2つの時系列予測問題に対して試行する。
論文 参考訳（メタデータ） (2023-10-24T22:59:56Z) - Joint Forecasting of Panoptic Segmentations with Difference Attention [72.03470153917189]
シーン内の全てのオブジェクトを共同で予測する新しいパノプティックセグメンテーション予測モデルについて検討する。
提案したモデルをCityscapesとAIODriveデータセット上で評価する。
論文 参考訳（メタデータ） (2022-04-14T17:59:32Z) - TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。
本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。
本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
論文 参考訳（メタデータ） (2022-02-07T21:37:29Z) - SubseasonalClimateUSA: A Dataset for Subseasonal Forecasting and
Benchmarking [20.442879707675115]
SubseasonalClimateUSAは、米国におけるサブシーズン予測モデルのトレーニングとベンチマークのための、キュレートされたデータセットである。
このデータセットを使用して、操作力学モデル、古典的気象ベースライン、最先端の機械学習10、文献からのディープラーニングベースのメソッドなど、さまざまなモデルのスイートをベンチマークします。
論文 参考訳（メタデータ） (2021-09-21T18:42:10Z) - Feature-weighted Stacking for Nonseasonal Time Series Forecasts: A Case
Study of the COVID-19 Epidemic Curves [0.0]
本研究では,非シーズン時間帯での利用可能性について,予測におけるアンサンブル手法について検討する。
予備予測段階における予測能力を証明する2つの予測モデルと2つのメタ機能からなる重畳アンサンブルを用いて遅延データ融合を提案する。
論文 参考訳（メタデータ） (2021-08-19T14:44:46Z) - Test-time Collective Prediction [73.74982509510961]
マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。
エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。
我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
論文 参考訳（メタデータ） (2021-06-22T18:29:58Z) - 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)
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。