論文の概要: Comparison of machine learning algorithms for merging gridded satellite
and earth-observed precipitation data
- arxiv url: http://arxiv.org/abs/2301.01252v1
- Date: Sat, 17 Dec 2022 09:39:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-09 13:38:34.790241
- Title: Comparison of machine learning algorithms for merging gridded satellite
and earth-observed precipitation data
- Title(参考訳): グリッド衛星と地球観測降水データの融合のための機械学習アルゴリズムの比較
- Authors: Georgia Papacharalampous, Hristos Tyralis, Anastasios Doulamis,
Nikolaos Doulamis
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 7.434517639563671
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Gridded satellite precipitation datasets are useful in hydrological
applications as they cover large regions with high density. However, they are
not accurate in the sense that they do not agree with ground-based
measurements. An established means for improving their accuracy is to correct
them by adopting machine learning algorithms. The problem is defined as a
regression setting, in which the ground-based measurements have the role of the
dependent variable and the satellite data are the predictor variables, together
with topography factors (e.g., elevation). Most studies of this kind involve a
limited number of machine learning algorithms, and are conducted at a small
region and for a limited time period. Thus, the results obtained through them
are of local importance and do not provide more general guidance and best
practices. To provide results that are generalizable and to contribute to the
delivery of best practices, we here compare eight state-of-the-art machine
learning algorithms in correcting satellite precipitation data for the entire
contiguous United States and for a 15-year period. We use monthly data from the
PERSIANN (Precipitation Estimation from Remotely Sensed Information using
Artificial Neural Networks) gridded dataset, together with monthly
earth-observed precipitation data from the Global Historical Climatology
Network monthly database, version 2 (GHCNm). The results suggest that extreme
gradient boosting (XGBoost) and random forests are the most accurate in terms
of the squared error scoring function. The remaining algorithms can be ordered
as follows from the best to the worst ones: Bayesian regularized feed-forward
neural networks, multivariate adaptive polynomial splines (poly-MARS), gradient
boosting machines (gbm), multivariate adaptive regression splines (MARS),
feed-forward neural networks and linear regression.
- Abstract(参考訳): 格子状衛星降水データセットは、密度の高い大地域をカバーするため、水文科学的な応用に有用である。
しかし、地上測定と一致しないという意味では正確ではない。
精度を改善するための確立された手段は、機械学習アルゴリズムを採用することで修正することである。
この問題は、地上に基づく測定が依存変数の役割を持ち、衛星データが予測変数であり、地形因子(例えば標高)とともに、回帰設定として定義される。
この種の研究のほとんどは、限られた数の機械学習アルゴリズムを含み、小さな領域と限られた期間に行われる。
このようにして得られた成果は局所的に重要であり、より一般的なガイダンスやベストプラクティスを提供していない。
本稿では,米国全土および15年間の衛星降水量データを修正するための8つの最先端機械学習アルゴリズムを比較した。
我々は、ペルシャ人の月次データ(人工ニューラルネットワークを用いたリモートセンシング情報からの予測推定)と、世界史気候ネットワーク月次データベースのバージョン2(ghcnm)の月次地球観測降水データを使用する。
その結果, 極度勾配強化 (xgboost) とランダム林は, 誤差採点関数の精度が最も高いことが示唆された。
ベイズ正規化フィードフォワードニューラルネットワーク、多変量適応多項式スプライン(poly-mars)、勾配ブースティングマシン(gbm)、多変量適応回帰スプライン(mars)、フィードフォワードニューラルネットワーク、線形回帰。
関連論文リスト
- Minimally Supervised Learning using Topological Projections in
Self-Organizing Maps [55.31182147885694]
自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。
提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。
提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
論文 参考訳(メタデータ) (2024-01-12T22:51:48Z) - 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) - 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) - Comparison of tree-based ensemble algorithms for merging satellite and
earth-observed precipitation data at the daily time scale [7.434517639563671]
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。
論文 参考訳(メタデータ) (2022-12-31T11:14:45Z) - Simple and Effective Augmentation Methods for CSI Based Indoor
Localization [37.3026733673066]
物理的考察により,チャネル状態情報に基づく屋内位置推定のための2つのアルゴリズムを提案する。
オリジナルのデータセットのサイズの10%は、オリジナルのデータセットと同じパフォーマンスを得るのに十分です。
提案手法によりさらにデータセットを増大させると、テスト精度は3倍以上に向上する。
論文 参考訳(メタデータ) (2022-11-19T20:27:46Z) - Adaptive Self-supervision Algorithms for Physics-informed Neural
Networks [59.822151945132525]
物理情報ニューラルネットワーク(PINN)は、損失関数のソフト制約として問題領域からの物理的知識を取り入れている。
これらのモデルの訓練性に及ぼす座標点の位置の影響について検討した。
モデルがより高い誤りを犯している領域に対して、より多くのコロケーションポイントを段階的に割り当てる適応的コロケーション方式を提案する。
論文 参考訳(メタデータ) (2022-07-08T18:17:06Z) - On the modern deep learning approaches for precipitation downscaling [0.0]
インド気象局(IMD)の降水量の推定のために,DLに基づくダウンスケーリングを実施している。
異なるDL手法の有効性を検証するために,4種類のダウンスケール法を適用し,その性能評価を行った。
その結果,SR-GANは降水データダウンスケーリングの最良の方法であることが示唆された。
論文 参考訳(メタデータ) (2022-07-02T11:57:39Z) - 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) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳(メタデータ) (2021-11-03T03:50:48Z) - Learning to Detect Fortified Areas [0.0]
本研究では,道路,歩道,駐車場,舗装された自動車道,テラスなどによって,ある表面のどの部分が要塞化されているのかを分類する問題を考察する。
本稿では,すべてのセンサシステムからデータを新しい共通表現に変換するニューラルネット埋め込みアーキテクチャを設計し,アルゴリズムによる解を提案する。
論文 参考訳(メタデータ) (2021-05-26T08:03:42Z) - Real-Time Regression with Dividing Local Gaussian Processes [62.01822866877782]
局所ガウス過程は、ガウス過程の回帰に基づく新しい、計算効率の良いモデリング手法である。
入力空間の反復的データ駆動分割により、実際にはトレーニングポイントの総数において、サブ線形計算複雑性が達成される。
実世界のデータセットに対する数値的な評価は、予測と更新の速度だけでなく、精度の点で他の最先端手法よりも有利であることを示している。
論文 参考訳(メタデータ) (2020-06-16T18:43:31Z)
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。