論文の概要: Statistical treatment of convolutional neural network super-resolution of inland surface wind for subgrid-scale variability quantification

• arxiv url: http://arxiv.org/abs/2211.16708v1
• Date: Wed, 30 Nov 2022 03:11:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-01 16:20:43.320781
• Title: Statistical treatment of convolutional neural network super-resolution of inland surface wind for subgrid-scale variability quantification
• Title（参考訳）: 地表面風の畳み込みニューラルネットワーク超解像のサブグリッドスケール変動量化のための統計的治療
• Authors: Daniel Getter and Julie Bessac and Johann Rudi and Yan Feng
• Abstract要約: 本研究では, 畳み込みニューラルネットワーク(CNN)による風速データのダウンスケール化について検討した。 各ダウンスケーリング係数,すなわち8x,16x,32xの中で,風速の予測を行うモデルを考える。 全てのCNN予測は、古典的予測よりも優れた古典的予測を1つのサンプル外データで実行した。
• 参考スコア（独自算出の注目度）: 13.209152157749534
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning models are frequently employed to perform either purely physics-free or hybrid downscaling of climate data. However, the majority of these implementations operate over relatively small downscaling factors of about 4--6x. This study examines the ability of convolutional neural networks (CNN) to downscale surface wind speed data from three different coarse resolutions (25km, 48km, and 100km side-length grid cells) to 3km and additionally focuses on the ability to recover subgrid-scale variability. Within each downscaling factor, namely 8x, 16x, and 32x, we consider models that produce fine-scale wind speed predictions as functions of different input features: coarse wind fields only; coarse wind and fine-scale topography; and coarse wind, topography, and temporal information in the form of a timestamp. Furthermore, we train one model at 25km to 3km resolution whose fine-scale outputs are probability density function parameters through which sample wind speeds can be generated. All CNN predictions performed on one out-of-sample data outperform classical interpolation. Models with coarse wind and fine topography are shown to exhibit the best performance compared to other models operating across the same downscaling factor. Our timestamp encoding results in lower out-of-sample generalizability compared to other input configurations. Overall, the downscaling factor plays the largest role in model performance.
• Abstract（参考訳）: 機械学習モデルは、純粋に物理学のない、または気候データのハイブリッドなダウンスケーリングを実行するために頻繁に使用される。 しかし、これらの実装の大部分は、比較的小さなスケールダウンファクターである4--6xで動作している。 本研究では,3種類の粗い解像度(25km,48km,100kmの側方格子セル)から3kmまでの表面風速データをダウンスケールできる畳み込みニューラルネットワーク(CNN)の能力について検討し,また,サブグリッドスケールの変動を回復する能力に焦点を当てた。 各ダウンスケーリング係数,すなわち8x,16x,32xでは,微風速予測を,粗風場のみ,粗風と微風地形,粗風,地形,時空間情報をタイムスタンプの形で,異なる入力特徴の関数として考える。 さらに,25kmから3kmの解像度で,試料風速を発生可能な確率密度関数パラメータを細部出力とするモデルを訓練した。 全てのCNN予測は、古典的補間よりも優れている。 粗い風と細かな地形を持つモデルは、同じダウンスケーリング係数で動く他のモデルと比較して最高の性能を示す。 我々のタイムスタンプ符号化は、他の入力構成と比較してサンプル外一般化性が低い。 全体として、スケールダウン要因はモデルパフォーマンスにおいて最大の役割を果たす。

関連論文リスト

• Efficient modeling of sub-kilometer surface wind with Gaussian processes and neural networks [0.0]
  風は、その空間的および時間的変動が高いため、モデルにとって特に困難な変数である。 本稿では,ガウス過程(GP)とニューラルネットワークを統合し,表面風洞をモデル化する新しい手法を提案する。 本稿では,異なるモデル選択の効果,および近似の度合いについて論じ,ケーススタディにおける結果について述べる。
  論文  参考訳（メタデータ） (2024-05-21T09:07:47Z)
• 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)
• Arbitrary-Scale Downscaling of Tidal Current Data Using Implicit Continuous Representation [7.688686113950605]
  本稿では,潮流データに対する新しいダウンスケーリングフレームワークを提案し,その特性に対処する。 本フレームワークは, ベースラインモデルと比較して93.21% (MSE) および63.85% (MAE) の流量速度予測を著しく改善した。
  論文  参考訳（メタデータ） (2024-01-29T05:16:19Z)
• 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)
• Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
  大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。 我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
  論文  参考訳（メタデータ） (2023-09-01T16:59:21Z)
• 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)
• Pushing the Limits of Asynchronous Graph-based Object Detection with Event Cameras [62.70541164894224]
  低計算を維持しながら、そのようなモデルの深さと複雑さを拡大できるアーキテクチャ選択をいくつか導入する。 我々の手法は、密度の高いグラフニューラルネットワークよりも3.7倍高速に動作し、前方通過はわずか8.4msである。
  論文  参考訳（メタデータ） (2022-11-22T15:14:20Z)
• Physics Informed Shallow Machine Learning for Wind Speed Prediction [66.05661813632568]
  イタリアの32カ所の標高10mの風速計から観測された大量の風のデータセットを分析した。 我々は、過去の風の履歴を用いて教師あり学習アルゴリズムを訓練し、その価値を将来予測する。 最適設計と性能は場所によって異なることがわかった。
  論文  参考訳（メタデータ） (2022-04-01T14:55:10Z)
• Transfer Learning with Convolutional Networks for Atmospheric Parameter Retrieval [14.131127382785973]
  MetOp衛星シリーズに搭載された赤外線音波干渉計(IASI)は、数値気象予測(NWP)に重要な測定値を提供する IASIが提供する生データから正確な大気パラメータを取得することは大きな課題であるが、NWPモデルでデータを使用するには必要である。 本研究では,iasiデータから抽出した特徴を,低い高度で異なる物理変数を予測するように設計された別の統計手法への入力として使用できることを示す。
  論文  参考訳（メタデータ） (2020-12-09T09:28:42Z)
• 3D CNNs with Adaptive Temporal Feature Resolutions [83.43776851586351]
  similarity Guided Sampling (SGS)モジュールは既存のCNNアーキテクチャにプラグインできる。 SGSは、時間的特徴の類似性を学び、類似した特徴をまとめることで、3D CNNに権限を与える。 評価の結果,提案モジュールは精度を保ちながら計算コスト(GFLOP)を半分に減らし,最先端化を実現していることがわかった。
  論文  参考訳（メタデータ） (2020-11-17T14:34:05Z)

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。