論文の概要: An Interpretable Model of Climate Change Using Correlative Learning
- arxiv url: http://arxiv.org/abs/2212.04478v1
- Date: Mon, 5 Dec 2022 21:52:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-09 16:34:17.279579
- Title: An Interpretable Model of Climate Change Using Correlative Learning
- Title(参考訳): 相関学習を用いた気候変化の解釈モデル
- Authors: Charles Anderson and Jason Stock
- Abstract要約: 我々は、年間気温と降水量から年を予測するモデルを訓練する。
モデルが特定の年を予測する温度と降水パターンの違いは、時間を通して変化を示す。
相関学習アルゴリズムであるAlopexは、最適な温度と降水マップを見つけるために使われ、その年を最もよく予測する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Determining changes in global temperature and precipitation that may indicate
climate change is complicated by annual variations. One approach for finding
potential climate change indicators is to train a model that predicts the year
from annual means of global temperatures and precipitations. Such data is
available from the CMIP6 ensemble of simulations. Here a two-hidden-layer
neural network trained on this data successfully predicts the year. Differences
among temperature and precipitation patterns for which the model predicts
specific years reveal changes through time. To find these optimal patterns, a
new way of interpreting what the neural network has learned is explored.
Alopex, a stochastic correlative learning algorithm, is used to find optimal
temperature and precipitation maps that best predict a given year. These maps
are compared over multiple years to show how temperature and precipitations
patterns indicative of each year change over time.
- Abstract(参考訳): 気候変動を示唆する世界的な気温と降水量の変化を決定することは、年間変化によって複雑である。
気候変動指標を見つけるための1つのアプローチは、年間気温と降水量から年を予測するモデルを訓練することである。
このようなデータはCMIP6シミュレーションのアンサンブルから入手できる。
このデータに基づいてトレーニングされた2層ニューラルネットワークは、その年の予測に成功している。
モデルが特定の年を予測する温度と降水パターンの違いは、時間を通して変化を示す。
これらの最適なパターンを見つけるために、ニューラルネットワークが学んだことを解釈する新しい方法を探求する。
確率的相関学習アルゴリズムであるalopexは、特定の年を最も予測する最適な温度と降水マップを見つけるために使用される。
これらの地図は数年にわたって比較され、気温と降水量のパターンが年々どのように変化するかを示している。
関連論文リスト
- Location Agnostic Adaptive Rain Precipitation Prediction using Deep
Learning [2.0971479389679337]
降雨予測は、場所によって異なる気象や気象の特徴に依存するため、難しい課題である。
我々は、上記の課題に対する解決策を提供するために、適応的なディープラーニングベースのフレームワークを提案してきた。
深部ニューラルネットワークを用いて, パリ, ロサンゼルス, 東京の降水予測を行ったところ, それぞれ43.51%, 5.09%, 38.62%の改善が見られた。
論文 参考訳(メタデータ) (2024-02-02T08:26:42Z) - Comparing Data-Driven and Mechanistic Models for Predicting Phenology in
Deciduous Broadleaf Forests [47.285748922842444]
我々は、気象時系列から表現指標を予測するために、ディープニューラルネットワークを訓練する。
このアプローチは従来のプロセスベースのモデルよりも優れています。
論文 参考訳(メタデータ) (2024-01-08T15:29:23Z) - Residual Diffusion Modeling for Km-scale Atmospheric Downscaling [51.061954281398116]
台湾上空2kmの高解像度気象モデルを用いて,コスト効率の低いダウンスケーリングモデルを訓練した。
textitCorrDiffは、RMSEとCRPSを巧みに表現し、極端な場合でもスペクトルと分布を忠実に回復する。
グローバルな予測のスケールダウンは、これらのメリットの多くを成功裏に維持し、マシンラーニングの天気予報のエンドツーエンドなグローバルなスケールの可能性を先導する。
論文 参考訳(メタデータ) (2023-09-24T19:57:22Z) - Predicting Temperature of Major Cities Using Machine Learning and Deep
Learning [0.0]
我々は,大都市における気温変化を構成するデイトン大学が作成したデータベースを用いて,将来いつでも異なる都市の気温を予測する。
この文書には、このような予測を行うための方法論が含まれています。
論文 参考訳(メタデータ) (2023-09-23T10:23:00Z) - Long-term drought prediction using deep neural networks based on
geospatial weather data [78.63225885697149]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。
多様な時間的ニューラルネットワークモデルを用いたエンドツーエンドアプローチを導入することで、干ばつデータに対処する。
主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文 参考訳(メタデータ) (2023-09-12T13:28:06Z) - Advancing Parsimonious Deep Learning Weather Prediction using the
HEALPix Mesh [3.1514546001123995]
階層的等角領域等緯線画像化(HEALPix)に基づく擬似深層学習天気予報モデルを提案する。
我々は, 約110kmのメッシュ上で約3hの時間分解能で, 任意長鉛時間に対して7つの大気変数を予測した。
論文 参考訳(メタデータ) (2023-09-11T16:25:48Z) - Prediction of Deep Ice Layer Thickness Using Adaptive Recurrent Graph
Neural Networks [0.38073142980732994]
積雪予測に適応的かつ反復的なグラフ畳み込みネットワークを用いた機械学習モデルを提案する。
我々は,従来のモデルと同等の非時間的,非幾何学的,非適応的モデルよりも,より優れた一貫性を持つモデルを見出した。
論文 参考訳(メタデータ) (2023-06-22T19:59:54Z) - 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) - GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。
全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。
我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
論文 参考訳(メタデータ) (2022-12-24T18:15:39Z) - MLRM: A Multiple Linear Regression based Model for Average Temperature
Prediction of A Day [3.6704226968275258]
我々は,過去の気象データと複数の線形回帰モデルを用いて,地域の天気を予測することを目的としている。
このモデルは摂氏2.8度の誤差で1日の平均気温を予測できる。
論文 参考訳(メタデータ) (2022-03-11T10:22:57Z) - A generative adversarial network approach to (ensemble) weather
prediction [91.3755431537592]
本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。
提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
論文 参考訳(メタデータ) (2020-06-13T20:53:17Z)
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。