論文の概要: Forecasting formation of a Tropical Cyclone Using Reanalysis Data
- arxiv url: http://arxiv.org/abs/2212.06149v1
- Date: Sat, 10 Dec 2022 13:20:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-14 13:27:25.873681
- Title: Forecasting formation of a Tropical Cyclone Using Reanalysis Data
- Title(参考訳): 再解析データを用いた熱帯サイクロンの予測
- Authors: Sandeep Kumar, Koushik Biswas, Ashish Kumar Pandey
- Abstract要約: 最大60時間,高精度で熱帯性サイクロンの形成を予測できる深層学習モデルが提案されている。
60時間リードタイムでは、6つの海盆で86.9%から92.9%の範囲で精度を達成している。
このモデルは、海盆によって約5~15分かかり、使用するデータの量は数秒で予測できる。
- 参考スコア(独自算出の注目度): 3.564430502665177
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The tropical cyclone formation process is one of the most complex natural
phenomena which is governed by various atmospheric, oceanographic, and
geographic factors that varies with time and space. Despite several years of
research, accurately predicting tropical cyclone formation remains a
challenging task. While the existing numerical models have inherent
limitations, the machine learning models fail to capture the spatial and
temporal dimensions of the causal factors behind TC formation. In this study, a
deep learning model has been proposed that can forecast the formation of a
tropical cyclone with a lead time of up to 60 hours with high accuracy. The
model uses the high-resolution reanalysis data ERA5 (ECMWF reanalysis 5th
generation), and best track data IBTrACS (International Best Track Archive for
Climate Stewardship) to forecast tropical cyclone formation in six ocean basins
of the world. For 60 hours lead time the models achieve an accuracy in the
range of 86.9% - 92.9% across the six ocean basins. The model takes about 5-15
minutes of training time depending on the ocean basin, and the amount of data
used and can predict within seconds, thereby making it suitable for real-life
usage.
- Abstract(参考訳): 熱帯サイクロン形成過程は、時間と空間によって異なる様々な大気、海洋、地理的要因によって制御される最も複雑な自然現象の1つである。
数年の研究にもかかわらず、熱帯サイクロンの形成を正確に予測することは難しい課題である。
既存の数値モデルには固有の制限があるが、機械学習モデルはtc形成の背後にある因果要因の空間的および時間的次元を捉えることができない。
本研究では,60時間までのリードタイムを有する熱帯サイクロンの形成を高精度に予測する深層学習モデルを提案する。
このモデルは、高分解能リアナリシスデータERA5(ECMWFリアナリシス第5世代)と最良トラックデータIBTrACS(International Best Track Archive for Climate Stewardship)を用いて、世界の6つの海盆における熱帯サイクロンの形成を予測する。
60時間リードタイムの間、モデルは6つの海盆の86.9%から92.9%の範囲で精度を達成している。
モデルは、海盆に応じて約5~15分間のトレーニング時間と、使用されるデータ量と数秒以内に予測できるため、実際の使用に適している。
関連論文リスト
- Global Tropical Cyclone Intensity Forecasting with Multi-modal
Multi-scale Causal Autoregressive Model [22.715152977444742]
グローバル熱帯サイクロン強度自動回帰予測のためのマルチモーダル・マルチスケール因果自己回帰モデル(MSCAR)を提案する。
MSCARは、大域的なTC強度自己回帰予測のための因果関係と大規模マルチ時間データを組み合わせる。
本稿では,SETCD(Saturate and ERA5-based Tropical Cyclone dataset)について述べる。
論文 参考訳(メタデータ) (2024-02-16T15:26:33Z) - 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) - 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) - MT-IceNet -- A Spatial and Multi-Temporal Deep Learning Model for Arctic
Sea Ice Forecasting [0.31410342959104726]
我々は,北極海氷濃度(SIC)予測のためのMT-IceNet - UNetに基づく空間・多時間深層学習モデルを提案する。
提案モデルでは,6ヶ月のリードタイムで予測誤差を最大60%低減し,画素ごとのSIC予測に有望な予測性能を提供する。
論文 参考訳(メタデータ) (2023-08-08T18:18:31Z) - An evaluation of deep learning models for predicting water depth
evolution in urban floods [59.31940764426359]
高空間分解能水深予測のための異なる深層学習モデルの比較を行った。
深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。
その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
論文 参考訳(メタデータ) (2023-02-20T16:08:54Z) - Spatiotemporal modeling of European paleoclimate using doubly sparse
Gaussian processes [61.31361524229248]
計算負担を軽減するため,近年の大規模分散時間GPを構築した。
我々は,古気候の確率モデルを構築するために,この2倍のスパースGPをうまく利用した。
論文 参考訳(メタデータ) (2022-11-15T14:15:04Z) - Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global
Weather Forecast [91.9372563527801]
我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。
初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。
Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
論文 参考訳(メタデータ) (2022-11-03T17:19:43Z) - Intensity Prediction of Tropical Cyclones using Long Short-Term Memory
Network [1.6379393441314491]
熱帯性サイクロンの強度を予測するために,BiLSTM(Bidirectional stacked long short-term memory network)に基づく新しいモデルアーキテクチャを提案する。
1982年から2018年にかけて、北インド洋の熱帯性サイクロンにモデルを適用し、最近の2つの熱帯性サイクロンの性能を確認した。
このモデルは、それぞれ平均絶対誤差 1.52, 3.66, 5.88, 7.42, 8.96, 10.15, 11.92 の2つの最近の熱帯低気圧での性能を予測する。
論文 参考訳(メタデータ) (2021-07-07T12:46:50Z) - Prediction of Landfall Intensity, Location, and Time of a Tropical
Cyclone [1.6379393441314491]
このモデルは、特定の時間、その位置、圧力、海面温度、強度からなるサイクロンの最良のトラックデータとして入力される。
このモデルは、降水強度、時間、緯度、経度を平均絶対誤差4.24ノット、4.5時間、0.24度、0.37度で予測し、最先端の結果を提供する。
論文 参考訳(メタデータ) (2021-03-30T09:01:35Z) - Predicting Landfall's Location and Time of a Tropical Cyclone Using
Reanalysis Data [1.6379393441314491]
熱帯サイクロンの降水は、海の海岸を横断した後、陸の上を移動するときのイベントです。
畳み込みニューラルネットワークとLong Short-Term Memory Networkを組み合わせたディープラーニングモデルを開発した。
我々は,66.18~158.92kmの範囲における上陸位置推定の絶対誤差,および6つの海盆全体での上陸時間予測の4.71~8.20時間の平均誤差を達成した。
論文 参考訳(メタデータ) (2021-03-30T06:42:31Z) - 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。