論文の概要: Simple Baseline for Weather Forecasting Using Spatiotemporal Context
Aggregation Network
- arxiv url: http://arxiv.org/abs/2212.02952v1
- Date: Tue, 6 Dec 2022 13:13:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-07 16:58:27.671776
- Title: Simple Baseline for Weather Forecasting Using Spatiotemporal Context
Aggregation Network
- Title(参考訳): 時空間アグリゲーションネットワークを用いた天気予報用簡易ベースライン
- Authors: Minseok Seo, Doyi Kim, Seungheon Shin, Eunbin Kim, Sewoong Ahn, Yeji
Choi,
- Abstract要約: 本稿では,W4C22の5つのベンチマークのうち4つの部分で最先端のSIANetを提案する。
このシンプルだが効率的な構造は、衛星画像のみを使用し、マルチモデルアンサンブルや微調整を使わずに、エンドツーエンドでCNNを観察する。
- 参考スコア(独自算出の注目度): 6.994786884130848
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traditional weather forecasting relies on domain expertise and
computationally intensive numerical simulation systems. Recently, with the
development of a data-driven approach, weather forecasting based on deep
learning has been receiving attention. Deep learning-based weather forecasting
has made stunning progress, from various backbone studies using CNN, RNN, and
Transformer to training strategies using weather observations datasets with
auxiliary inputs. All of this progress has contributed to the field of weather
forecasting; however, many elements and complex structures of deep learning
models prevent us from reaching physical interpretations. This paper proposes a
SImple baseline with a spatiotemporal context Aggregation Network (SIANet) that
achieved state-of-the-art in 4 parts of 5 benchmarks of W4C22. This simple but
efficient structure uses only satellite images and CNNs in an end-to-end
fashion without using a multi-model ensemble or fine-tuning. This simplicity of
SIANet can be used as a solid baseline that can be easily applied in weather
forecasting using deep learning.
- Abstract(参考訳): 伝統的な天気予報はドメインの専門知識と計算集約的な数値シミュレーションシステムに依存している。
近年,データ駆動型手法が開発され,深層学習に基づく天気予報が注目されている。
深層学習に基づく天気予報は、CNN、RNN、Transformerを用いた様々なバックボーン研究から、補助的な入力を伴う気象観測データセットを使用したトレーニング戦略まで、驚くべき進歩を遂げている。
これらの進歩は天気予報の分野に寄与しているが、深層学習モデルの多くの要素や複雑な構造は、物理的な解釈に達するのを妨げている。
本稿では、W4C22の5つのベンチマークのうち4つの部分で最先端を達成できる時空間アグリゲーションネットワーク(SIANet)を備えたSImpleベースラインを提案する。
このシンプルで効率的な構造は、マルチモデルアンサンブルや微調整を使わずに、衛星画像とcnnだけをエンドツーエンドで使用する。
SIANetのこの単純さは、ディープラーニングを用いて天気予報に容易に適用可能な、ソリッドベースラインとして利用することができる。
関連論文リスト
- FengWu-4DVar: Coupling the Data-driven Weather Forecasting Model with 4D
Variational Assimilation [71.21242137496031]
我々は,AIを用いた循環型天気予報システムFengWu-4DVarを開発した。
FengWu-4DVarは観測データをデータ駆動の天気予報モデルに組み込むことができる。
シミュレーションされた観測データセットの実験は、FengWu-4DVarが合理的な解析場を生成することができることを示した。
論文 参考訳(メタデータ) (2023-12-16T02:07:56Z) - Short-term Precipitation Forecasting in The Netherlands: An Application
of Convolutional LSTM neural networks to weather radar data [0.0]
この研究は、空間パターン認識のための畳み込みニューラルネットワーク(CNN)層と、時間的シーケンスをモデル化するためのLSTMネットワーク層を組み合わせたものである。
このモデルはオランダの気象レーダーデータに基づいて訓練され、検証された。
その結果,降水運動の方向と強度の予測には高い精度が得られた。
論文 参考訳(メタデータ) (2023-12-02T18:13:45Z) - 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) - Exploring the Application of Large-scale Pre-trained Models on Adverse
Weather Removal [97.53040662243768]
ネットワークが異なる気象条件を適応的に処理できるようにするために,CLIP埋め込みモジュールを提案する。
このモジュールは、CLIP画像エンコーダによって抽出されたサンプル特定気象と、パラメータセットによって学習された分布特定情報を統合する。
論文 参考訳(メタデータ) (2023-06-15T10:06:13Z) - Spatial-temporal Prompt Learning for Federated Weather Forecasting [50.379491498793485]
フェデレート気象予報は、異なる国や地域の参加者間で気象データを分析するための有望な協調学習フレームワークである。
本稿では,多くの分散型低リソースセンサを異なる場所に配置するフェデレート環境での気象データをモデル化する。
論文 参考訳(メタデータ) (2023-05-23T16:59:20Z) - 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 [0.0]
本稿では,地域データによる気象予報の様々な手法,すなわち時間的相関を捉えるために,複数の経度点にまたがる予測手法について検討する。
その結果, 列車の動的分解モードに基づく予測モデルでは, トレーニングを必要とせず, ほぼ同等の精度で予測できることがわかった。
論文 参考訳(メタデータ) (2022-09-29T13:47:02Z) - 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) - Numerical Weather Forecasting using Convolutional-LSTM with Attention
and Context Matcher Mechanisms [10.759556555869798]
本稿では,高解像度気象データを予測するための新しいディープラーニングアーキテクチャを提案する。
我々の気象モデルは,ベースラインの深層学習モデルと比較して,大幅な性能向上を実現している。
論文 参考訳(メタデータ) (2021-02-01T08:30:42Z) - DeepSTCL: A Deep Spatio-temporal ConvLSTM for Travel Demand Prediction [4.0711669706762805]
本稿では,Deep Spatio-Temporal ConvLSTMに基づく新しいディープラーニングトラフィック需要予測フレームワークを提案する。
提案手法は時間的依存と空間的依存を同時に捉えることができる。
ChengduのDIDIオーダーデータセットの実験結果から,本手法が従来のモデルよりも精度と速度で優れていることが示された。
論文 参考訳(メタデータ) (2020-08-22T13:33:31Z) - SmaAt-UNet: Precipitation Nowcasting using a Small Attention-UNet
Architecture [5.28539620288341]
データ駆動型ニューラルネットワークのアプローチにより,正確な降水量を推定できることが示唆された。
オランダ地域の降水マップとフランスのクラウドカバレッジのバイナリ画像を用いて、実際のデータセットに対する我々のアプローチを評価した。
論文 参考訳(メタデータ) (2020-07-08T20:33:10Z)
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。