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
- 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 [61.138475638813354]
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,ExEnsembleという名称のトレーニングフリーな極値拡張戦略を導入し,画素値のばらつきを増大させ,予測ロバスト性を向上させる。
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) - Data Assimilation using ERA5, ASOS, and the U-STN model for Weather
Forecasting over the UK [3.7601811445702222]
我々は、イギリスのローカルERA5 850 hPa温度データを活用し、U-STN12グローバル気象予報モデルを精査した。
ASOSネットワークから、イギリス全土の地上観測を表現したT2mデータを抽出した。
我々の知見は、グローバルな予測モデルが特定の領域に適応できる一方で、DAに大気データを組み込むことで、モデルの精度が著しく向上することを示している。
論文 参考訳(メタデータ) (2024-01-15T11:21:25Z) - 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) - W-MAE: Pre-trained weather model with masked autoencoder for
multi-variable weather forecasting [7.610811907813171]
天気予報のための事前学習を行うMasked AutoEncoderを用いた気象モデルを提案する。
W-MAEは、気象変数内の空間的相関を再構成するために、自己教師付きで事前訓練される。
時間スケールでは、事前訓練されたW-MAEを微調整し、気象変数の将来状態を予測する。
論文 参考訳(メタデータ) (2023-04-18T06:25:11Z) - 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) - Adaptive Bias Correction for Improved Subseasonal Forecasting [22.29412394093264]
沈降予測は効果的な水配分、山火事の管理、干ばつと洪水の緩和に重要である。
近年の国際研究は、運用力学モデルのサブシーズン能力の向上に寄与している。
本稿では,最先端の動的予測と機械学習を用いた観測を組み合わせ,適応バイアス補正(ABC)手法を提案する。
論文 参考訳(メタデータ) (2022-09-21T21:22:44Z) - 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。