Fugu-MT 論文翻訳(概要): Maximising Weather Forecasting Accuracy through the Utilisation of Graph Neural Networks and Dynamic GNNs

論文の概要: Maximising Weather Forecasting Accuracy through the Utilisation of Graph Neural Networks and Dynamic GNNs

arxiv url: http://arxiv.org/abs/2301.12471v1
Date: Sun, 29 Jan 2023 15:42:37 GMT
ステータス: 処理完了
システム内更新日: 2023-01-31 16:57:35.489554
Title: Maximising Weather Forecasting Accuracy through the Utilisation of Graph Neural Networks and Dynamic GNNs
Title（参考訳）: グラフニューラルネットワークと動的GNNの利用による天気予報精度の最大化
Authors: Gaganpreet Singh, Surya Durbha, Shreelakshmi C R
Abstract要約: グラフニューラルネットワーク(GNN)に基づく天気予報モデルを用いて気象データを解析する。 GNNはグラフ学習に基づくモデルであり、多くの機械学習アプローチにおいて強力な経験的性能を示す。
参考スコア（独自算出の注目度）: 1.6651146574124562
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Weather forecasting is an essential task to tackle global climate change. Weather forecasting requires the analysis of multivariate data generated by heterogeneous meteorological sensors. These sensors comprise of ground-based sensors, radiosonde, and sensors mounted on satellites, etc., To analyze the data generated by these sensors we use Graph Neural Networks (GNNs) based weather forecasting model. GNNs are graph learning-based models which show strong empirical performance in many machine learning approaches. In this research, we investigate the performance of weather forecasting using GNNs and traditional Machine learning-based models.
Abstract（参考訳）: 気候変動に取り組むためには、天気予報が不可欠である。気象予報には、異種気象センサが生成する多変量データの解析が必要である。これらのセンサは、衛星に搭載された地上センサ、ラジオゾンデ、センサーから構成されており、これらのセンサによって生成されたデータを解析するために、グラフニューラルネットワーク(GNN)ベースの天気予報モデルを用いる。 gnnはグラフ学習に基づくモデルであり、多くの機械学習アプローチで強い経験的パフォーマンスを示す。本研究では,GNNと従来の機械学習モデルを用いた天気予報の性能について検討する。

関連論文リスト

Multi-modal graph neural networks for localized off-grid weather forecasting [3.890177521606208]
機械学習や数値気象モデルによる天気予報製品は、現在、グローバル・レギュラー・グリッドで作成されている。本研究では、異種グラフニューラルネットワーク(GNN)をエンドツーエンドにトレーニングし、グリッド化された予測をダウンスケールして、関心のある場所をオフグリッドする。提案手法は,グローバルな大規模気象モデルと局所的高精度な予測とのギャップを橋渡しして,局所的な意思決定に役立てることができることを示す。
論文参考訳（メタデータ） (2024-10-16T18:25:43Z)
TG-PhyNN: An Enhanced Physically-Aware Graph Neural Network framework for forecasting Spatio-Temporal Data [3.268628956733623]
この研究は、新しいテンポラルグラフ物理インフォームドニューラルネットワークフレームワークであるTG-PhyNNを提示する。 TG-PhyNNは、グラフベースのモデリングにGNNのパワーを活用しながら、トレーニング中に物理的な制約を指針原理として組み込む。以上の結果から,TG-PhyNNは従来の予測モデルよりも有意に優れていた。 TG-PhyNNは、物理プロセスがデータのダイナミクスを制御しているさまざまな領域において、より信頼性が高く正確な予測を提供するために、効果的に活用する。
論文参考訳（メタデータ） (2024-08-29T09:41:17Z)
Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
本稿では,天気予報をより微細なテンポラルスケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。我々は、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークを導入する。
論文参考訳（メタデータ） (2024-05-22T16:21:02Z)
Forecasting the Future with Future Technologies: Advancements in Large Meteorological Models [3.332582598089642]
気象予報の分野は、大きなモデルの統合によって大きな変化を遂げた。 FourCastNet、Pangu-Weather、GraphCast、ClimaX、FengWuといったモデルは、正確で高精度な予測を提供することで、顕著な貢献をしている。
論文参考訳（メタデータ） (2024-04-10T00:52:54Z)
VN-Net: Vision-Numerical Fusion Graph Convolutional Network for Sparse Spatio-Temporal Meteorological Forecasting [12.737085738169164]
VN-Netは、マルチモーダルデータを利用してスパース時間気象予報をより良く扱うためのGCN法を導入する最初の試みである。 VN-Netは、温度、相対湿度、予測のための平均絶対誤差(MAE)と根平均二乗誤差(RMSE)にかなりの差で最先端である。
論文参考訳（メタデータ） (2024-01-26T12:41:57Z)
A Survey on Graph Neural Networks for Time Series: Forecasting, Classification, Imputation, and Anomaly Detection [98.41798478488101]
時系列分析は、利用可能なデータに暗黙的な情報の富を解放するために不可欠である。グラフニューラルネットワーク(GNN)の最近の進歩は、時系列解析のためのGNNベースのアプローチの急増につながっている。この調査は、GNNベースの時系列研究に関する膨大な知識をまとめ、基礎、実践的応用、時系列分析のためのグラフニューラルネットワークの機会を強調します。
論文参考訳（メタデータ） (2023-07-07T08:05:03Z)
Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。 MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。 MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
論文参考訳（メタデータ） (2023-06-06T07:07:54Z)
Environmental Sensor Placement with Convolutional Gaussian Neural Processes [65.13973319334625]
センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
論文参考訳（メタデータ） (2022-11-18T17:25:14Z)
Space-Time Graph Neural Networks with Stochastic Graph Perturbations [100.31591011966603]
時空間グラフニューラルネットワーク(ST-GNN)は、時間変動データの効率的なグラフ表現を学習する。本稿では,ST-GNNの特性を再検討し,安定なグラフ安定性を示す。解析の結果,ST-GNNは時間変化グラフ上での移動学習に適していることが示唆された。
論文参考訳（メタデータ） (2022-10-28T16:59:51Z)
Forecasting large-scale circulation regimes using deformable convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討今後1～15日にわたって北大西洋-欧州の気象条件を予測した。より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
論文参考訳（メタデータ） (2022-02-10T11:37:00Z)
AGSTN: Learning Attention-adjusted Graph Spatio-Temporal Networks for Short-term Urban Sensor Value Forecasting [14.797761571844893]
センサの時系列値は、大気汚染警報、自転車資源管理、インテリジェント交通システムなどの都市用途において重要である。最近の進歩は、センサー間の空間的および時間的依存関係をよりよく学習するためにグラフニューラルネットワーク(GNN)を利用している。
論文参考訳（メタデータ） (2021-01-29T08:31:38Z)

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。