論文の概要: Comparison of tree-based ensemble algorithms for merging satellite and earth-observed precipitation data at the daily time scale

• arxiv url: http://arxiv.org/abs/2301.01214v1
• Date: Sat, 31 Dec 2022 11:14:45 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-04 15:32:50.044453
• Title: Comparison of tree-based ensemble algorithms for merging satellite and earth-observed precipitation data at the daily time scale
• Title（参考訳）: 衛星と地球観測降水データの統合のための木系アンサンブルアルゴリズムの日時スケールにおける比較
• Authors: Georgia Papacharalampous, Hristos Tyralis, Anastasios Doulamis, Nikolaos Doulamis
• Abstract要約: 衛星製品と地上観測の融合は、大面積を高密度で同時にカバーする降水データセットを得るためにしばしば必要である。 機械学習と統計的学習の回帰アルゴリズムは、この取り組みで定期的に利用される。 回帰のための木に基づくアンサンブルアルゴリズムは,高精度で計算コストの低いアルゴリズム問題の解法として,様々な分野で採用されている。
• 参考スコア（独自算出の注目度）: 7.434517639563671
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Merging satellite products and ground-based measurements is often required for obtaining precipitation datasets that simultaneously cover large regions with high density and are more accurate than pure satellite precipitation products. Machine and statistical learning regression algorithms are regularly utilized in this endeavour. At the same time, tree-based ensemble algorithms for regression are adopted in various fields for solving algorithmic problems with high accuracy and low computational cost. The latter can constitute a crucial factor for selecting algorithms for satellite precipitation product correction at the daily and finer time scales, where the size of the datasets is particularly large. Still, information on which tree-based ensemble algorithm to select in such a case for the contiguous United States (US) is missing from the literature. In this work, we conduct an extensive comparison between three tree-based ensemble algorithms, specifically random forests, gradient boosting machines (gbm) and extreme gradient boosting (XGBoost), in the context of interest. We use daily data from the PERSIANN (Precipitation Estimation from Remotely Sensed Information using Artificial Neural Networks) and the IMERG (Integrated Multi-satellitE Retrievals for GPM) gridded datasets. We also use earth-observed precipitation data from the Global Historical Climatology Network daily (GHCNd) database. The experiments refer to the entire contiguous US and additionally include the application of the linear regression algorithm for benchmarking purposes. The results suggest that XGBoost is the best-performing tree-based ensemble algorithm among those compared. They also suggest that IMERG is more useful than PERSIANN in the context investigated.
• Abstract（参考訳）: 衛星製品と地上測定の融合は、大面積を高密度にカバーし、純粋な衛星の降水製品よりも精度の高い降水データセットを得るためにしばしば必要となる。 機械学習および統計的学習回帰アルゴリズムは、この取り組みで定期的に利用される。 また,木に基づく回帰アンサンブルアルゴリズムを様々な分野に適用し,高い精度と低い計算コストでアルゴリズム問題を解く。 後者は、データセットのサイズが特に大きい日次および細かな時間スケールで衛星沈殿物補正のアルゴリズムを選択する上で重要な要素となる可能性がある。 それでも、米国(米国)にとってこのような場合、どの木に基づくアンサンブルアルゴリズムを選択するかは文献から欠落している。 本研究では,3つの木に基づくアンサンブルアルゴリズム,特に無作為林,勾配増進機(gbm)および極勾配増進機(XGBoost)を比較した。 PERSIANN (Precipitation Estimation from Remotely Sensed Information using Artificial Neural Networks) と IMERG (Integrated Multi-SatellitE Retrievals for GPM) の格子データを用いた。 また,グローバル・ヒストリカル・クリマトロジー・ネットワーク(GHCNd)データベースによる地球観測降水データを用いた。 この実験は、連続したUS全体を参照し、さらにベンチマーク目的の線形回帰アルゴリズムの適用も含む。 以上の結果から,xgboostは木に基づくアンサンブルアルゴリズムとして,比較で最高の性能を示した。 また,IMERGはPERSIANNよりも有用であることが示唆された。

関連論文リスト

• LiteSearch: Efficacious Tree Search for LLM [70.29796112457662]
  本研究では,動的ノード選択とノードレベルの探索予算を備えた新しいガイド付き木探索アルゴリズムを提案する。 GSM8KおよびTabMWPデータセットを用いて行った実験により,本手法はベースライン法に比べて計算コストが大幅に低いことを示した。
  論文  参考訳（メタデータ） (2024-06-29T05:14:04Z)
• Ensemble learning for blending gridded satellite and gauge-measured precipitation data [4.2193475197905705]
  本研究では,衛星降雨物の精度を向上させるため,11種類の新しいアンサンブル学習者を提案する。 PERSIANNとIMERGのグリッド化されたデータセットから月次データにアンサンブル学習者を適用する。 また,グローバル・ヒストリカル・クリマトロジー・ネットワークの月次データベースからの降水量測定データを用いた。
  論文  参考訳（メタデータ） (2023-07-09T17:54:46Z)
• Sparsity May Cry: Let Us Fail (Current) Sparse Neural Networks Together! [100.19080749267316]
  Sparsity May Cry"ベンチマーク(SMC-Bench)は、慎重に計算された4つのタスクと10のデータセットのコレクションである。 SMC-Benchは、よりスケーラブルで一般化可能なスパースアルゴリズムの開発を奨励するように設計されている。
  論文  参考訳（メタデータ） (2023-03-03T18:47:21Z)
• GBMST: An Efficient Minimum Spanning Tree Clustering Based on Granular-Ball Computing [78.92205914422925]
  多粒度グラニュラバルと最小スパンニングツリー(MST)を組み合わせたクラスタリングアルゴリズムを提案する。 粒度が粗い粒状ボールを構築し,さらに粒状ボールとMSTを用いて「大規模優先度」に基づくクラスタリング手法を実装した。 いくつかのデータセットの実験結果は、アルゴリズムの威力を示している。
  論文  参考訳（メタデータ） (2023-03-02T09:04:35Z)
• Comparison of machine learning algorithms for merging gridded satellite and earth-observed precipitation data [7.434517639563671]
  我々は,グローバル・ヒストリカル・クリマトロジー・ネットワークの月次降水データ,バージョン2。 その結果,2乗誤差スコアリング関数が最も正確であることが示唆された。
  論文  参考訳（メタデータ） (2022-12-17T09:39:39Z)
• SETAR-Tree: A Novel and Accurate Tree Algorithm for Global Time Series Forecasting [7.206754802573034]
  本稿では,TARモデルと回帰木との密接な関係について検討する。 本研究では,葉のグローバルプール回帰(PR)モデルをトレーニングする,予測固有木アルゴリズムを提案する。 本評価では, 提案した樹木モデルと森林モデルを用いて, 最先端の樹木モデルよりも精度の高い木モデルを提案する。
  論文  参考訳（メタデータ） (2022-11-16T04:30:42Z)
• Satellite Image Time Series Analysis for Big Earth Observation Data [50.591267188664666]
  本稿では,機械学習を用いた衛星画像時系列解析のためのオープンソースRパッケージである sit について述べる。 本手法は, Cerrado Biome のケーススタディにより, 土地利用と土地被覆マップの精度が高いことを示す。
  論文  参考訳（メタデータ） (2022-04-24T15:23:25Z)
• Physics Informed Shallow Machine Learning for Wind Speed Prediction [66.05661813632568]
  イタリアの32カ所の標高10mの風速計から観測された大量の風のデータセットを分析した。 我々は、過去の風の履歴を用いて教師あり学習アルゴリズムを訓練し、その価値を将来予測する。 最適設計と性能は場所によって異なることがわかった。
  論文  参考訳（メタデータ） (2022-04-01T14:55:10Z)
• Towards Optimally Efficient Tree Search with Deep Learning [76.64632985696237]
  本稿では,線形モデルから信号整数を推定する古典整数最小二乗問題について検討する。 問題はNPハードであり、信号処理、バイオインフォマティクス、通信、機械学習といった様々な応用でしばしば発生する。 本稿では, 深いニューラルネットワークを用いて, 単純化されたメモリバウンドA*アルゴリズムの最適推定を推定し, HATSアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-01-07T08:00:02Z)
• Clustering with Fast, Automated and Reproducible assessment applied to longitudinal neural tracking [3.817161834189992]
  C-FARは階層的クラスタリングアルゴリズムを同時に評価する新しい手法である。 提案アルゴリズムは,複数の階層的クラスタリング木を入力として,人間のフィードバックに対して戦略的にペアを問合せし,これらの木に推薦された木の中から最適なクラスタリングを出力する。 私たちのフラッグシップアプリケーションは、スパイクソートにおけるクラスタアグリゲーションステップであり、ニューロンに録音中の波形(スパイク)を割り当てるタスクです。
  論文  参考訳（メタデータ） (2020-03-19T01:33:00Z)

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。