論文の概要: A machine-learning approach to thunderstorm forecasting through post-processing of simulation data

• arxiv url: http://arxiv.org/abs/2303.08736v1
• Date: Wed, 15 Mar 2023 16:21:15 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-16 17:56:58.020372
• Title: A machine-learning approach to thunderstorm forecasting through post-processing of simulation data
• Title（参考訳）: シミュレーションデータの後処理による雷雨予報への機械学習アプローチ
• Authors: Kianusch Vahid Yousefnia, Tobias B\"olle, Isabella Z\"obisch, Thomas Gerz
• Abstract要約: 雷雨は社会や経済に大きな危険をもたらし、信頼できる雷雨予報が求められている。 数値天気予報データから雷雨の発生を識別するためのフィードフォワードニューラルネットワークモデルであるSALAMAを紹介する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Thunderstorms pose a major hazard to society and economy, which calls for reliable thunderstorm forecasts. In this work, we introduce SALAMA, a feedforward neural network model for identifying thunderstorm occurrence in numerical weather prediction (NWP) data. The model is trained on convection-resolving ensemble forecasts over Central Europe and lightning observations. Given only a set of pixel-wise input parameters that are extracted from NWP data and related to thunderstorm development, SALAMA infers the probability of thunderstorm occurrence in a reliably calibrated manner. For lead times up to eleven hours, we find a forecast skill superior to classification based only on convective available potential energy. Varying the spatiotemporal criteria by which we associate lightning observations with NWP data, we show that the time scale for skillful thunderstorm predictions increases linearly with the spatial scale of the forecast.
• Abstract（参考訳）: 雷雨は社会や経済に大きな危険をもたらし、信頼できる雷雨予報が求められている。 本研究では,数値気象予測(NWP)データから雷雨の発生を識別するためのフィードフォワードニューラルネットワークモデルであるSALAMAを紹介する。 このモデルは、中央ヨーロッパにおける対流分解アンサンブル予測と雷観測で訓練されている。 NWPデータから抽出され、雷雨発生に関連する画素単位の入力パラメータのみを考慮し、SALAMAは雷雨の発生確率を確実に調整した方法で推定する。 11時間以内のリードタイムでは、対流可能なポテンシャルエネルギーのみに基づく分類よりも優れた予測スキルが得られます。 雷観測とNWPデータとを関連づけた時空間基準を用いて, 熟練した雷雨予測の時間スケールが予測の空間スケールと線形に増加することを示す。

関連論文リスト

• 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)
• PROFHIT: Probabilistic Robust Forecasting for Hierarchical Time-series [70.22948987701051]
  確率的階層的時系列予測は時系列予測の重要な変種である。 以前の研究は、データセットが与えられた階層的関係と常に一致しており、現実世界のデータセットに適応していないことを静かに仮定している。 ProFHITは,階層全体の分布予測を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• Seamless lightning nowcasting with recurrent-convolutional deep learning [2.175391729845306]
  未来に向けて5分間の時間分解能で雷の発生を予測する深層学習モデルが提示される。 このモデルは、対流の発生を認識・予測できる再帰的・時間的アーキテクチャに基づいている。 予測は、嵐物体の検出と追跡を使わずに、静止格子上で実行される。
  論文  参考訳（メタデータ） (2022-03-15T12:54:17Z)
• Prediction of severe thunderstorm events with ensemble deep learning and radar data [0.0]
  本稿では,激しい雷雨の予報をタイムリーに鳴らすことができる警報装置を実現するためのディープラーニング手法について述べる。 この警報装置はイタリアのリグリア地方で記録された気象レーダーデータに対して検証されている。
  論文  参考訳（メタデータ） (2021-09-20T18:43:13Z)
• 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)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• Using Machine Learning to Calibrate Storm-Scale Probabilistic Guidance of Severe Weather Hazards in the Warn-on-Forecast System [0.0]
  我々は,NOAAの厳しい天気予報を校正するための一連の機械学習(ML)アルゴリズムと,アップドラフトヘリシティを用いた簡単な手法のスキルを比較した。 その結果,MLによるダイナミックアンサンブル出力のキャリブレーションにより,短期的,ストームスケールの厳しい気象予測が向上することが示唆された。
  論文  参考訳（メタデータ） (2020-11-12T19:07:32Z)
• Improving Event Duration Prediction via Time-aware Pre-training [90.74988936678723]
  持続時間予測に有効な2つのモデルを提案する。 1つのモデルは、期間値が該当する範囲/単位を予測し(R−pred)、もう1つのモデルは正確な期間値E−predを予測する。 我々の最良のモデル -- E-pred は、以前の作業よりも大幅に優れ、R-pred よりも正確に持続時間情報をキャプチャします。
  論文  参考訳（メタデータ） (2020-11-05T01:52:11Z)
• SmaAt-UNet: Precipitation Nowcasting using a Small Attention-UNet Architecture [5.28539620288341]
  データ駆動型ニューラルネットワークのアプローチにより,正確な降水量を推定できることが示唆された。 オランダ地域の降水マップとフランスのクラウドカバレッジのバイナリ画像を用いて、実際のデータセットに対する我々のアプローチを評価した。
  論文  参考訳（メタデータ） (2020-07-08T20:33:10Z)
• 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。