Fugu-MT 論文翻訳(概要): A Deep Learning Method for Real-time Bias Correction of Wind Field Forecasts in the Western North Pacific

論文の概要: A Deep Learning Method for Real-time Bias Correction of Wind Field Forecasts in the Western North Pacific

arxiv url: http://arxiv.org/abs/2212.14160v1
Date: Thu, 29 Dec 2022 02:58:12 GMT
ステータス: 処理完了
システム内更新日: 2023-01-02 15:56:06.692749
Title: A Deep Learning Method for Real-time Bias Correction of Wind Field Forecasts in the Western North Pacific
Title（参考訳）: 北太平洋西部における風況予報のリアルタイムバイアス補正のための深層学習法
Authors: Wei Zhang, Yueyue Jiang, Junyu Dong, Xiaojiang Song, Renbo Pang, Boyu Guoan and Hui Yu
Abstract要約: 2020年12月から2021年11月までにECから10日間の風速予測のための実時間転動バイアス補正を行った。風速と風向バイアスはそれぞれ8-11%,9-14%減少した。
参考スコア（独自算出の注目度）: 24.287588853356972
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Forecasts by the European Centre for Medium-Range Weather Forecasts (ECMWF; EC for short) can provide a basis for the establishment of maritime-disaster warning systems, but they contain some systematic biases.The fifth-generation EC atmospheric reanalysis (ERA5) data have high accuracy, but are delayed by about 5 days. To overcome this issue, a spatiotemporal deep-learning method could be used for nonlinear mapping between EC and ERA5 data, which would improve the quality of EC wind forecast data in real time. In this study, we developed the Multi-Task-Double Encoder Trajectory Gated Recurrent Unit (MT-DETrajGRU) model, which uses an improved double-encoder forecaster architecture to model the spatiotemporal sequence of the U and V components of the wind field; we designed a multi-task learning loss function to correct wind speed and wind direction simultaneously using only one model. The study area was the western North Pacific (WNP), and real-time rolling bias corrections were made for 10-day wind-field forecasts released by the EC between December 2020 and November 2021, divided into four seasons. Compared with the original EC forecasts, after correction using the MT-DETrajGRU model the wind speed and wind direction biases in the four seasons were reduced by 8-11% and 9-14%, respectively. In addition, the proposed method modelled the data uniformly under different weather conditions. The correction performance under normal and typhoon conditions was comparable, indicating that the data-driven mode constructed here is robust and generalizable.
Abstract（参考訳）: 欧州中距離気象予報センター(ECMWF、略してEC)の予測は、海上災害警報システムの確立の基盤となるが、いくつかの体系的バイアスを含む。第5世代のEC大気再分析(ERA5)データは精度が高いが、約5日遅れている。この問題を解決するために,EC と ERA5 データの非線形マッピングに時空間深度学習法を適用すれば,EC の風速予測データの品質をリアルタイムで向上させることができる。本研究では,マルチタスク・ダブルエンコーダ・トラジェクトリ・Gated Recurrent Unit (MT-DETrajGRU) モデルを開発した。このモデルでは,改良されたダブルエンコーダ・予測器を用いて,風場のU成分とV成分の時空間列をモデル化し,風速と風向を同時に補正するマルチタスク学習損失関数を設計した。調査エリアは西北太平洋(WNP)であり、2020年12月から2021年11月までにECが公表した10日間の風速予測のリアルタイムな転がりバイアス補正を行った。従来のec予測と比較して,mt-detrajgruモデルによる補正により,4シーズンの風速と風向の偏差がそれぞれ8-11%,風向偏差が9-14%減少した。また,提案手法は異なる気象条件下で均一にデータをモデル化した。標準および台風条件下での補正性能は同等であり、ここで構築されたデータ駆動モードは堅牢で一般化可能であることを示す。

関連論文リスト

FengWu-W2S: A deep learning model for seamless weather-to-subseasonal forecast of global atmosphere [53.22497376154084]
本研究では,FengWuグローバル気象予報モデルに基づくFengWu-Weather to Subseasonal (FengWu-W2S)を提案する。我々は,FengWu-W2Sが大気環境を3～6週間先まで確実に予測し,マデン・ジュリア振動 (MJO) や北大西洋振動 (NAO) などの地球表面温度, 降水量, 地磁気高度, 季節内信号の予測能力を向上させることを実証した。日時から季節時の予測誤差成長に関するアブレーション実験
論文参考訳（メタデータ） (2024-11-15T13:44:37Z)
DUNE: A Machine Learning Deep UNet++ based Ensemble Approach to Monthly, Seasonal and Annual Climate Forecasting [0.0]
Deep UNet++ベースの新しいニューラルネットワークであるEnsemble(DUNE)が導入されている。年間平均気温は2メートル(T2m)、海面温度(SST)である。これらの予測は、すべての領域に対する持続性、気候学、多重線形回帰よりも優れる。
論文参考訳（メタデータ） (2024-08-12T16:22:30Z)
Super Resolution for Renewable Energy Resource Data With Wind From Reanalysis Data (Sup3rWind) and Application to Ukraine [0.0]
歴史的に正確な高解像度の風データに対する世界的な需要は拡大している。本研究では,敵対的ネットワークを用いた新しい深層学習に基づくダウンスケーリング手法を提案する。従来のダウンスケーリングに匹敵する歴史的精度と変動性を実現した。
論文参考訳（メタデータ） (2024-07-26T21:07:17Z)
An ensemble of data-driven weather prediction models for operational sub-seasonal forecasting [0.08106028186803123]
運用可能なマルチモデルアンサンブル天気予報システムを提案する。データ駆動型天気予報モデルを用いたマルチモデルアンサンブル手法により、最先端のサブシーズン・シーズン・シーズン予測を実現することができる。
論文参考訳（メタデータ） (2024-03-22T20:01:53Z)
Ai4Fapar: How artificial intelligence can help to forecast the seasonal earth observation signal [0.15361702135159847]
モデルの評価は, 気候指標と比較し, 1年経過した期間で行った。その結果, 変圧器モデルの方が1ヶ月の地平線予測でベンチマークモデルより優れており, その後の気候学的ベンチマークの方が優れていることがわかった。全体として、テストされたTransformerモデルは、特に気象データと組み合わせて短期予測を行う場合、FAPAR予測に有効な方法である。
論文参考訳（メタデータ） (2024-02-08T11:00:51Z)
ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文参考訳（メタデータ） (2024-02-02T10:34:13Z)
Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
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。私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。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)
FengWu: Pushing the Skillful Global Medium-range Weather Forecast beyond 10 Days Lead [93.67314652898547]
人工知能(AI)に基づく高度データ駆動型中距離気象予報システムFengWuについて紹介する。 FengWuは大気力学を正確に再現し、0.25度緯度で37の垂直レベルで将来の陸と大気の状態を予測することができる。その結果、FengWuは予測能力を大幅に向上させ、熟練した中距離気象予報を10.75日間のリードまで拡張できることがわかった。
論文参考訳（メタデータ） (2023-04-06T09:16:39Z)
WF-UNet: Weather Fusion UNet for Precipitation Nowcasting [4.213427823201119]
ヨーロッパ西部の降水量計におけるUNetコアモデルの利用とその拡張について, 最大3時間前に検討した。我々は2016年1月から2021年12月までの6年間の降水と風のレーダー画像を収集しました。 WF-UNetは、それぞれ22%、8%、6%の低いMSEを1,2,3時間で比較した。
論文参考訳（メタデータ） (2023-02-08T14:50:52Z)
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)
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。