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

• Self-supervised Spatial-Temporal Learner for Precipitation Nowcasting [5.365086662531667]
  気象の短期予測は、時間と天候に依存した決定を行うために不可欠である。 本研究では,自己教師型学習の利点を活用し,空間時間学習と統合し,新しいモデルであるSpaT-SparKを開発した。
  論文  参考訳（メタデータ） (2024-12-20T14:09:36Z)
• ST-FiT: Inductive Spatial-Temporal Forecasting with Limited Training Data [59.78770412981611]
  現実世界のアプリケーションでは、ほとんどのノードはトレーニング中に利用可能な時間データを持っていないかもしれない。 この問題に対処するために,ST-FiTというフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-14T17:51:29Z)
• Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
  本稿では,天気予報をトレーニングデータセットを超える微細な時間スケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。 具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。 また、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークも導入する。
  論文  参考訳（メタデータ） (2024-05-22T16:21:02Z)
• Towards an end-to-end artificial intelligence driven global weather forecasting system [57.5191940978886]
  我々は,地球規模の気象変動に対するAIに基づくデータ同化モデル,すなわちAdasを提案する。 我々は,アダスが地球観測を同化して高品質な分析を行い,長期にわたって安定して運用できることを実証した。 この手法を現実のシナリオに適用するのは,私たちが初めてです。
  論文  参考訳（メタデータ） (2023-12-18T09:05:28Z)
• 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)
• 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)
• 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。