論文の概要: Improving extreme weather events detection with light-weight neural
networks
- arxiv url: http://arxiv.org/abs/2304.00176v1
- Date: Fri, 31 Mar 2023 23:38:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-04 19:31:16.697016
- Title: Improving extreme weather events detection with light-weight neural
networks
- Title(参考訳): 軽量ニューラルネットワークによる極端気象事象検出の改善
- Authors: Romain Lacombe (1,2), Hannah Grossman (1), Lucas Hendren (1), David
L\"udeke (1) ((1) Stanford University, (2) Plume Labs)
- Abstract要約: 気候データから熱帯低気圧と大気河川のセマンティックセグメンテーションを訓練した軽量なコンテキストガイド畳み込みニューラルネットワークアーキテクチャを改良した。
我々の主な焦点は熱帯のサイクロンであり、最も破壊的な気象現象であり、現在のモデルでは性能が限られている。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: To advance automated detection of extreme weather events, which are
increasing in frequency and intensity with climate change, we explore
modifications to a novel light-weight Context Guided convolutional neural
network architecture trained for semantic segmentation of tropical cyclones and
atmospheric rivers in climate data. Our primary focus is on tropical cyclones,
the most destructive weather events, for which current models show limited
performance. We investigate feature engineering, data augmentation, learning
rate modifications, alternative loss functions, and architectural changes. In
contrast to previous approaches optimizing for intersection over union, we
specifically seek to improve recall to penalize under-counting and prioritize
identification of tropical cyclones. We report success through the use of
weighted loss functions to counter class imbalance for these rare events. We
conclude with directions for future research on extreme weather events
detection, a crucial task for prediction, mitigation, and equitable adaptation
to the impacts of climate change.
- Abstract(参考訳): 気候変動に伴う頻度・強度の増大する極端気象事象の自動検出を推し進めるため,気候データにおける熱帯サイクロンと大気河川のセマンティックセグメンテーションのために訓練された,新しい軽量コンテキスト誘導畳み込みニューラルネットワークアーキテクチャを探索した。
私たちの主な焦点は熱帯性サイクロンであり、現在のモデルでは性能が制限されている最も破壊的な気象現象です。
本研究では,特徴工学,データ拡張,学習率修正,代替損失関数,アーキテクチャ変更について検討する。
合併を最適化する以前のアプローチとは対照的に,我々は特に,アンダーカウンティングを罰し,トロピカルサイクロンの識別を優先するためにリコールを改善することを目指している。
これらの稀な事象に対するクラス不均衡対策として,重み付き損失関数を用いた成功例を報告する。
我々は、気候変動の影響に対する予測、緩和、公平適応のための重要なタスクである、極端な気象事象の検出に関する今後の研究の方向性をまとめる。
関連論文リスト
- Advancing Meteorological Forecasting: AI-based Approach to Synoptic Weather Map Analysis [3.686808512438363]
本研究では,新しい事前処理手法と畳み込みオートエンコーダモデルを提案する。
このモデルでは、現在の大気条件にほぼ一致する歴史的シンフォティック気象図を認識できた。
論文 参考訳(メタデータ) (2024-11-08T07:46:50Z) - Deep Learning for Weather Forecasting: A CNN-LSTM Hybrid Model for Predicting Historical Temperature Data [7.559331742876793]
本研究では,畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)を併用したハイブリッドモデルを提案する。
CNNは空間的特徴抽出に利用され、LSTMは時間的依存を処理し、予測精度と安定性が大幅に向上する。
論文 参考訳(メタデータ) (2024-10-19T03:38:53Z) - MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。
以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。
本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
論文 参考訳(メタデータ) (2024-08-20T13:45:49Z) - 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) - Comparing Data-Driven and Mechanistic Models for Predicting Phenology in
Deciduous Broadleaf Forests [47.285748922842444]
我々は、気象時系列から表現指標を予測するために、ディープニューラルネットワークを訓練する。
このアプローチは従来のプロセスベースのモデルよりも優れています。
論文 参考訳(メタデータ) (2024-01-08T15:29:23Z) - Scaling transformer neural networks for skillful and reliable medium-range weather forecasting [23.249955524044392]
本稿では,標準変圧器バックボーンの変更を最小限に抑えつつ,気象予報の最先端性能であるStormerを紹介する。
Stormerの中核はランダムな予測目標であり、様々な時間間隔で天気のダイナミクスを予測するためにモデルを訓練する。
ウェザーベンチ2では、ストーマーは短距離から中距離の予測で競争力を発揮し、現在の手法を7日を超えて上回っている。
論文 参考訳(メタデータ) (2023-12-06T19:46:06Z) - Fully Convolutional Networks for Dense Water Flow Intensity Prediction
in Swedish Catchment Areas [7.324969824727792]
本研究では,内陸海域における水流強度を予測するための機械学習によるアプローチを提案する。
我々は高密度水流強度予測の課題に最初に取り組みました。
論文 参考訳(メタデータ) (2023-04-04T09:28:36Z) - Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。
電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。
本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
論文 参考訳(メタデータ) (2022-08-31T18:19:25Z) - 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) - 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)
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。