論文の概要: Weather2K: A Multivariate Spatio-Temporal Benchmark Dataset for
Meteorological Forecasting Based on Real-Time Observation Data from Ground
Weather Stations
- arxiv url: http://arxiv.org/abs/2302.10493v1
- Date: Tue, 21 Feb 2023 07:46:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-22 15:55:36.065305
- Title: Weather2K: A Multivariate Spatio-Temporal Benchmark Dataset for
Meteorological Forecasting Based on Real-Time Observation Data from Ground
Weather Stations
- Title(参考訳): Weather2K:地上気象観測データに基づく気象予報のための多変量時差ベンチマークデータセット
- Authors: Xun Zhu and Yutong Xiong and Ming Wu and Gaozhen Nie and Bin Zhang and
Ziheng Yang
- Abstract要約: 本稿では,新しいベンチマークデータセットであるWeather2Kを提案する。
リアルタイム、信頼性、多様性の観点から、既存の天気予報データセットの欠陥を補うことを目的としている。
データは、600万平方キロメートルの面積をカバーする2,130の地上気象観測所から収集された。
- 参考スコア(独自算出の注目度): 9.061222268562249
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Weather forecasting is one of the cornerstones of meteorological work. In
this paper, we present a new benchmark dataset named Weather2K, which aims to
make up for the deficiencies of existing weather forecasting datasets in terms
of real-time, reliability, and diversity, as well as the key bottleneck of data
quality. To be specific, our Weather2K is featured from the following aspects:
1) Reliable and real-time data. The data is hourly collected from 2,130 ground
weather stations covering an area of 6 million square kilometers. 2)
Multivariate meteorological variables. 20 meteorological factors and 3
constants for position information are provided with a length of 40,896 time
steps. 3) Applicable to diverse tasks. We conduct a set of baseline tests on
time series forecasting and spatio-temporal forecasting. To the best of our
knowledge, our Weather2K is the first attempt to tackle weather forecasting
task by taking full advantage of the strengths of observation data from ground
weather stations. Based on Weather2K, we further propose Meteorological Factors
based Multi-Graph Convolution Network (MFMGCN), which can effectively construct
the intrinsic correlation among geographic locations based on meteorological
factors. Sufficient experiments show that MFMGCN improves both the forecasting
performance and temporal robustness. We hope our Weather2K can significantly
motivate researchers to develop efficient and accurate algorithms to advance
the task of weather forecasting. The dataset can be available at
https://github.com/bycnfz/weather2k/.
- Abstract(参考訳): 気象予報は気象研究の基盤の一つである。
本稿では,データ品質の重要なボトルネックであるリアルタイム,信頼性,多様性の観点から,既存の気象予報データセットの欠陥を補うことを目的とした,weather2kという新しいベンチマークデータセットを提案する。
具体的に言うと、Weather2Kは以下の点から特徴付けられる。
1)信頼性とリアルタイム性。
データは、600万平方キロメートルの面積をカバーする2,130の地上気象観測所から収集される。
2)多変量気象変数。
20の気象因子と3つの位置情報定数が40,896の時間ステップで提供される。
3)多様なタスクに適用可能。
時系列予測と時空間予測に関する一連のベースラインテストを実施した。
我々の知る限りでは、我々のWeather2Kは、地上の気象観測所からの観測データの強度をフル活用して天気予報タスクに取り組む最初の試みである。
weather2kに基づき,気象要因に基づく地理的位置間の固有相関を効果的に構築できるマルチグラフ畳み込みネットワーク(mfmgcn)を提案する。
MFMGCNは予測性能と時間的堅牢性の両方を改善した。
われわれのWeather2Kは、研究者が天気予報のタスクを進めるための効率的で正確なアルゴリズムを開発するための大きな動機になることを期待している。
データセットはhttps://github.com/bycnfz/weather2k/で入手できる。
関連論文リスト
- Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。
次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。
気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
論文 参考訳(メタデータ) (2024-08-08T06:47:21Z) - WeatherQA: Can Multimodal Language Models Reason about Severe Weather? [45.43764278625153]
干し草、竜巻、雷雨などの激しい対流的な気象イベントは、しばしば急速に起こるが、大きな被害を招き、毎年何十億ドルもの費用がかかる。
このことは、気象学者や住民のリスクの高い地域での適切な準備のために、前もって厳しい天候の脅威を予知することの重要性を強調している。
我々は、気象パラメータの複雑な組み合わせを推論し、現実のシナリオで厳しい天候を予測するために、機械用に設計された最初のマルチモーダルデータセットであるWeatherQAを紹介する。
論文 参考訳(メタデータ) (2024-06-17T05:23:18Z) - Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳(メタデータ) (2024-01-22T14:02:56Z) - GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。
全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。
我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
論文 参考訳(メタデータ) (2022-12-24T18:15:39Z) - 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) - MLRM: A Multiple Linear Regression based Model for Average Temperature
Prediction of A Day [3.6704226968275258]
我々は,過去の気象データと複数の線形回帰モデルを用いて,地域の天気を予測することを目的としている。
このモデルは摂氏2.8度の誤差で1日の平均気温を予測できる。
論文 参考訳(メタデータ) (2022-03-11T10:22:57Z) - Efficient spatio-temporal weather forecasting using U-Net [0.0]
天気予報は、人間の日常生活における様々な側面において重要な役割を果たす。
ディープラーニングに基づくモデルは、多くの天気予報関連タスクで広範囲に成功している。
論文 参考訳(メタデータ) (2021-12-13T10:28:33Z) - 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。