論文の概要: How Regional Wind Characteristics Affect CNN-based wind predictions:
Insights from Spatiotemporal Correlation Analysis
- arxiv url: http://arxiv.org/abs/2304.01545v1
- Date: Tue, 4 Apr 2023 05:44:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-05 15:04:08.465650
- Title: How Regional Wind Characteristics Affect CNN-based wind predictions:
Insights from Spatiotemporal Correlation Analysis
- Title(参考訳): 地域風がCNNに基づく風速予測に与える影響:時空間相関解析からの考察
- Authors: Heesoo Shin, Mario R\"uttgers, Sangseung Lee
- Abstract要約: 本研究では3D-Conal Neural Networks(3D-CNN)を用いた風速予測時の入力として時間次元の異なるデータを用いる。
その結果, 周辺地域の空間データを用いて3D-CNN訓練を行うことで, 単点情報のみを用いることよりも予測性能が向上することが示唆された。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This study investigates the impact of spatiotemporal data dimensions on the
precision of a wind forecasting model developed using an artificial neural
network. Although previous studies have shown that incorporating spatial data
can enhance the accuracy of wind forecasting models, few investigations have
explored the extent of the improvement owing to different spatial scales in
neural network-based predictive models. Additionally, there are limited studies
on the optimal temporal length of the input data for these models. To address
this gap, this study employs data with various spatiotemporal dimensions as
inputs when forecasting wind using 3D-Convolutional Neural Networks (3D-CNN)
and assesses their predictive performance. The results indicate that using
spatial data of the surrounding area for 3D-CNN training can achieve better
predictive performance than using only single-point information. Additionally,
multi-time data had a more positive effect on the predictive performance than
single-time data. To determine the reasons for this, correlation analyses were
used to determine the impact of the spatial and temporal sizes of the training
data on the prediction performance. The study found that as the autocorrelation
coefficient (ACC) decreased, meaning that there was less similarity over time,
the prediction performance decreased. Furthermore, the spatial standard
deviation of the ACC also affects the prediction performance. A Pearson
correlation coefficient (PCC) analysis was conducted to examine the effect of
space on the prediction performance. Through the PCC analysis, we show that
local geometric and seasonal wind conditions can influence the forecast
capability of a predictive model.
- Abstract(参考訳): 本研究では, 人工ニューラルネットワークを用いた風速予測モデルの精度に及ぼす時空間データ次元の影響について検討した。
過去の研究では、空間データを組み込むことで風速予測モデルの精度を高めることが示されているが、ニューラルネットワークに基づく予測モデルにおける空間スケールの違いによる改善の程度を調査する研究は少ない。
さらに、これらのモデルに対する入力データの最適時間長に関する限られた研究がある。
このギャップに対処するために,3次元畳み込みニューラルネットワーク(3D-CNN)を用いた風速予測において,様々な時空間次元のデータを入力として利用し,その予測性能を評価する。
その結果, 周辺地域の空間データを3D-CNNトレーニングに用いることで, 単点情報のみを使用するよりも予測性能が向上することが示唆された。
さらに、マルチタイムデータはシングルタイムデータよりも予測性能に好意的な影響を及ぼした。
この原因を明らかにするために, トレーニングデータの空間的および時間的サイズが予測性能に与える影響を相関解析を用いて分析した。
その結果, 自己相関係数 (ACC) が低下すると, 時間とともに類似性が低下し, 予測性能が低下した。
さらに、accの空間標準偏差は予測性能にも影響を及ぼす。
Pearson correlation coefficient (PCC) 解析を行い, 空間が予測性能に及ぼす影響について検討した。
そこで,PCC解析により,局所的な幾何風と季節風の条件が予測モデルの予測能力に影響を及ぼすことを示した。
関連論文リスト
- Wildfire danger prediction optimization with transfer learning [0.0]
畳み込みニューラルネットワーク(CNN)は、様々なコンピュータ科学領域で実証されている。
本稿では,山火事の影響地域を特定するための地理空間データ解析へのCNNの適用について検討する。
伝達学習の統合により,CNNモデルは燃焼領域の同定において95%の精度を達成した。
論文 参考訳(メタデータ) (2024-03-19T16:15:44Z) - CloudNine: Analyzing Meteorological Observation Impact on Weather
Prediction Using Explainable Graph Neural Networks [1.9019250262578853]
CloudNine'は、説明可能なグラフニューラルネットワーク(XGNN)に基づく特定の予測に対する個々の観測の影響の分析を可能にする
本研究では,地球系の3次元空間における観測をWebアプリケーションで探索し,個々の観測が特定の空間領域や時間領域における予測に与える影響を可視化する。
論文 参考訳(メタデータ) (2024-02-21T01:29:17Z) - Novel application of Relief Algorithm in cascaded artificial neural
network to predict wind speed for wind power resource assessment in India [0.0]
本研究の結果, 従来のモデルと比較して, ANNの方が精度がよいことがわかった。
本論文の目的は2つある: 風力発電のためのANNの広範なレビューとWS予測を行う。
風速と風速の予測値と測定値とを比較した根平均二乗誤差(RMSE)は,それぞれ1.44m/sと1.49m/sであることがわかった。
論文 参考訳(メタデータ) (2024-01-25T10:39:40Z) - Long-term drought prediction using deep neural networks based on
geospatial weather data [78.63225885697149]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。
多様な時間的ニューラルネットワークモデルを用いたエンドツーエンドアプローチを導入することで、干ばつデータに対処する。
主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文 参考訳(メタデータ) (2023-09-12T13:28:06Z) - Convolutional GRU Network for Seasonal Prediction of the El
Ni\~no-Southern Oscillation [24.35408676030181]
本稿では,エルニーニョ南部振動(ENSO)領域時間列予測問題に対して,畳み込みGated Recurrent Unit (ConvGRU) を改良したネットワークを提案する。
提案するConvGRUネットワークはエンコーダ・デコーダシーケンス・ツー・シーケンス構造を持ち,太平洋地域の歴史的SSTマップを入力として取り込んで,その後数ヶ月間,ENSO領域内で将来のSSTマップを生成する。
その結果, ConvGRU ネットワークは LIM, AF, RNN と比較して Nino 3.4 インデックスの予測可能性を大幅に向上することがわかった。
論文 参考訳(メタデータ) (2023-06-18T00:15:45Z) - 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) - Strict baselines for Covid-19 forecasting and ML perspective for USA and
Russia [105.54048699217668]
Covid-19は、2年間にわたって蓄積されたデータセットを収集し、予測分析に使用できるようにする。
本研究は、米国とロシアの2カ国の地域データに基づいて、Covid-19の拡散のダイナミクスを予測するための様々な種類の方法に関する一貫した研究結果である。
論文 参考訳(メタデータ) (2022-07-15T18:21:36Z) - 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) - 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) - A Deep Convolutional Neural Network Model for improving WRF Forecasts [0.19573380763700707]
我々は4年間の歴史を持つCNNモデル(2014-2017)をトレーニングし、WRFバイアスのパターンについて検討する。
次に, 風速, 方向, 降水量, 相対湿度, 表面圧力, 露点温度, 表面温度の予測値において, これらのバイアスを低減させる。
その結果,全駅でWRF予測が顕著に改善したことが示唆された。
論文 参考訳(メタデータ) (2020-08-14T17:48:06Z)
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。