論文の概要: Merging satellite and gauge-measured precipitation using LightGBM with an emphasis on extreme quantiles

• arxiv url: http://arxiv.org/abs/2302.03606v2
• Date: Thu, 3 Aug 2023 15:25:51 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-04 19:46:19.083241
• Title: Merging satellite and gauge-measured precipitation using LightGBM with an emphasis on extreme quantiles
• Title（参考訳）: 極端量子化に着目したLightGBMによる衛星とゲージ計測降雨の融合
• Authors: Hristos Tyralis, Georgia Papacharalampous, Nikolaos Doulamis, Anastasios Doulamis
• Abstract要約: 空間と時間の実際の降水を知ることは、水文モデリングの応用において重要である。 グリッド化された衛星降水データセットは、実際の降水量を推定する代替オプションを提供する。 降水量の予測を改善するため、雨量計に基づく計測と格子状衛星降水生成物の統合に機械学習を適用した。
• 参考スコア（独自算出の注目度）: 7.434517639563671
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowing the actual precipitation in space and time is critical in hydrological modelling applications, yet the spatial coverage with rain gauge stations is limited due to economic constraints. Gridded satellite precipitation datasets offer an alternative option for estimating the actual precipitation by covering uniformly large areas, albeit related estimates are not accurate. To improve precipitation estimates, machine learning is applied to merge rain gauge-based measurements and gridded satellite precipitation products. In this context, observed precipitation plays the role of the dependent variable, while satellite data play the role of predictor variables. Random forests is the dominant machine learning algorithm in relevant applications. In those spatial predictions settings, point predictions (mostly the mean or the median of the conditional distribution) of the dependent variable are issued. The aim of the manuscript is to solve the problem of probabilistic prediction of precipitation with an emphasis on extreme quantiles in spatial interpolation settings. Here we propose, issuing probabilistic spatial predictions of precipitation using Light Gradient Boosting Machine (LightGBM). LightGBM is a boosting algorithm, highlighted by prize-winning entries in prediction and forecasting competitions. To assess LightGBM, we contribute a large-scale application that includes merging daily precipitation measurements in contiguous US with PERSIANN and GPM-IMERG satellite precipitation data. We focus on extreme quantiles of the probability distribution of the dependent variable, where LightGBM outperforms quantile regression forests (QRF, a variant of random forests) in terms of quantile score at extreme quantiles. Our study offers understanding of probabilistic predictions in spatial settings using machine learning.
• Abstract（参考訳）: 宇宙と時間の実際の降水を知ることは水文学的モデリングアプリケーションでは重要であるが、雨量計の駅の空間範囲は経済的な制約のため限られている。 格子状衛星降水データセットは、一様に広い領域をカバーして実際の降水量を推定する代替オプションを提供するが、関連する見積もりは正確ではない。 降水量の予測を改善するため、雨量計に基づく計測と格子状衛星降水生成物の統合に機械学習を適用した。 この文脈では、観測された降水は依存変数の役割を担い、衛星データは予測変数の役割を担っている。 ランダムフォレストは、関連するアプリケーションにおける機械学習アルゴリズムの主流である。 これらの空間予測設定では、依存変数の点予測(主に条件分布の平均または中央値)が発行される。 本研究の目的は,空間補間設定における極端量子化に着目した降水確率予測の課題を解決することである。 本稿では,light gradient boosting machine (lightgbm) を用いた降水の確率的空間予測手法を提案する。 LightGBMは、予測と予測の競争において賞を獲得したエントリーによって強調される、ブースティングアルゴリズムである。 光GBMを評価するために,日中降水量測定とPERSIANNとGPM-IMERG衛星降水データを組み合わせた大規模アプリケーションを開発した。 我々は、依存変数の確率分布の極端量子化に着目し、LightGBMは極端量子化における量子化スコアの観点で、量子化回帰林(QRF、ランダムな森林の変種)より優れる。 本研究は,機械学習を用いた空間環境における確率的予測の理解を提供する。

関連論文リスト

• Uncertainty estimation in satellite precipitation spatial prediction by combining distributional regression algorithms [3.8623569699070353]
  データマージによって降水データセットを作成するエンジニアリングタスクに対して,分散回帰の概念を導入する。 本研究では,空間予測だけでなく,一般の予測問題にも有用な新しいアンサンブル学習手法を提案する。
  論文  参考訳（メタデータ） (2024-06-29T05:58:00Z)
• Enhanced Precision in Rainfall Forecasting for Mumbai: Utilizing Physics Informed ConvLSTM2D Models for Finer Spatial and Temporal Resolution [0.0]
  本研究では,降雨予測精度の向上を目的とした深層学習空間モデルを提案する。 この仮説を検証するため,インド・ムンバイに先立つ降水量6hrと12hrを予測するために,ConvLSTM2Dモデルを導入した。
  論文  参考訳（メタデータ） (2024-04-01T13:56:12Z)
• Uncertainty estimation of machine learning spatial precipitation predictions from satellite data [3.8623569699070353]
  衛星データとゲージデータを機械学習と組み合わせることで、高解像度の降水データセットを生成する。 6つのアルゴリズムをベンチマークすることで、そのような推定を最適に行う方法のギャップに対処する。 本研究では,空間データ予測の不確かさを推定する機械学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-11-13T17:55:28Z)
• Contextualizing MLP-Mixers Spatiotemporally for Urban Data Forecast at Scale [54.15522908057831]
  本稿では,STTD予測を大規模に行うためのコンピュータ・ミクサーの適応版を提案する。 我々の結果は、この単純な効率の良いソリューションが、いくつかのトラフィックベンチマークでテストした場合、SOTAベースラインに匹敵する可能性があることを驚くほど示している。 本研究は, 実世界のSTTD予測において, 簡便な有効モデルの探索に寄与する。
  論文  参考訳（メタデータ） (2023-07-04T05:19:19Z)
• Towards replacing precipitation ensemble predictions systems using machine learning [0.0]
  本研究では,高分解能降水に対するアンサンブル気象予測のための新しい手法を提案する。 本手法は,複雑な降水パターンを学習するために生成的対向ネットワークを用いる。 本研究では, 未確認高解像度の降水アンサンブル部材の現実的な生成の可能性を示す。
  論文  参考訳（メタデータ） (2023-04-20T12:20:35Z)
• Prediction-Powered Inference [68.97619568620709]
  予測を用いた推論は、実験データセットに機械学習システムからの予測を補足した場合に有効な統計的推論を行うためのフレームワークである。 このフレームワークは、手段、量子、線形およびロジスティック回帰係数などの量に対して証明可能な信頼区間を計算するための単純なアルゴリズムを生成する。 予測による推論により、研究者は機械学習を使用して、より有効な、よりデータ効率の高い結論を導き出すことができる。
  論文  参考訳（メタデータ） (2023-01-23T18:59:28Z)
• 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)
• Deep Learning Based Cloud Cover Parameterization for ICON [55.49957005291674]
  我々は,実地域およびグローバルICONシミュレーションに基づいて,粗粒度データを用いたNNベースのクラウドカバーパラメータ化を訓練する。 グローバルに訓練されたNNは、地域シミュレーションのサブグリッドスケールのクラウドカバーを再現することができる。 我々は,コラムベースNNがグローバルから局所的な粗粒データに完全に一般化できない理由として,特定の湿度と雲氷上の過剰なエンハンシスを同定する。
  論文  参考訳（メタデータ） (2021-12-21T16:10:45Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)
• Probabilistic Gradient Boosting Machines for Large-Scale Probabilistic Regression [51.770998056563094]
  PGBM(Probabilistic Gradient Boosting Machines)は、確率的予測を生成する手法である。 既存の最先端手法と比較してPGBMの利点を実証的に示す。
  論文  参考訳（メタデータ） (2021-06-03T08:32:13Z)
• SLPC: a VRNN-based approach for stochastic lidar prediction and completion in autonomous driving [63.87272273293804]
  VRNN(Variiational Recurrent Neural Networks)と呼ばれる生成モデルに基づく新しいLiDAR予測フレームワークを提案する。 提案手法は,フレーム内の奥行きマップを空間的に塗り替えることで,スパースデータを扱う際の従来のビデオ予測フレームワークの限界に対処できる。 VRNNのスパースバージョンとラベルを必要としない効果的な自己監督型トレーニング方法を紹介します。
  論文  参考訳（メタデータ） (2021-02-19T11:56:44Z)

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。