論文の概要: Effects of spatiotemporal correlations in wind data on neural network-based wind predictions

• arxiv url: http://arxiv.org/abs/2304.01545v4
• Date: Tue, 20 Jun 2023 06:38:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-22 03:01:17.130553
• Title: Effects of spatiotemporal correlations in wind data on neural network-based wind predictions
• Title（参考訳）: 風速データにおける時空間相関がニューラルネットワークによる風速予測に及ぼす影響
• Authors: Heesoo Shin, Mario R\"uttgers, Sangseung Lee
• Abstract要約: 本研究では,風速予測ニューラルネットワークの性能に及ぼす時空間風の影響について検討した。 CNNモデルの相関関係と性能について,韓国,米国,英国の3つの地域で検討した。 その結果, 自己相関係数が小さい領域の方がCNNの方が好適であることが判明した。
• 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 paper investigates the influence of incorporating spatiotemporal wind data on the performance of wind forecasting neural networks. While previous studies have shown that including spatial data enhances the accuracy of such models, limited research has explored the impact of different spatial and temporal scales of input wind data on the learnability of neural network models. In this study, convolutional neural networks (CNNs) are employed and trained using various scales of spatiotemporal wind data. The research demonstrates that using spatiotemporally correlated data from the surrounding area and past time steps for training a CNN favorably affects the predictive performance of the model. The study proposes correlation analyses, including autocorrelation and Pearson correlation analyses, to unveil the influence of spatiotemporal wind characteristics on the predictive performance of different CNN models. The spatiotemporal correlations and performances of CNN models are investigated in three regions: Korea, the USA, and the UK. The findings reveal that regions with smaller deviations of autocorrelation coefficients (ACC) are more favorable for CNNs to learn the regional and seasonal wind characteristics. Specifically, the regions of Korea, the USA, and the UK exhibit maximum standard deviations of ACCs of 0.100, 0.043, and 0.023, respectively. The CNNs wind prediction performances follow the reverse order of the regions: UK, USA, and Korea. This highlights the significant impact of regional and seasonal wind conditions on the performance of the prediction models.
• Abstract（参考訳）: 本稿では,風速予測ニューラルネットワークの性能に及ぼす時空間風速データの導入の影響について検討する。 従来の研究では、空間データを含むとそれらのモデルの精度が向上することが示されたが、入力風の異なる空間的・時間的スケールがニューラルネットワークモデルの学習性に与える影響について限定的な研究がなされている。 本研究では,様々な時空間風速データを用いて,畳み込みニューラルネットワーク(CNN)を適用・訓練する。 本研究では, 周辺地域の時空間相関データと過去の時間ステップを用いてCNNを訓練することが, モデルの予測性能に好影響を与えることを示す。 本研究は,cnnモデルの予測性能に及ぼす時空間風特性の影響を明らかにするために,自己相関とピアソン相関分析を含む相関解析を提案する。 CNNモデルの時空間相関と性能について,韓国,米国,英国の3つの地域で検討した。 その結果, 自己相関係数 (ACC) の偏差が小さい地域の方が, 地域風特性や季節風特性の学習に好適であることが判明した。 具体的には、韓国、米国、英国の各地域はそれぞれ0.0100、0.043、0.023の最大標準偏差を示す。 CNNの風速予測性能は、イギリス、アメリカ、韓国といった地域の逆順に従っている。 このことは、地域風と季節風の条件が予測モデルの性能に与える影響を強調している。

関連論文リスト

• Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region [62.09891513612252]
  地域レベルのダウンストリームタスクに特化して、リミテッド・エリア・モデリングに焦点を合わせ、モデルをトレーニングします。 我々は,気象予報が水資源の管理,農業,極度の気象事象の影響軽減に重要であるという,気象学的課題からMENA地域を考察する。 本研究では,パラメータ効率のよい微調整手法,特にローランド適応(LoRA)とその変種を統合することの有効性を検証することを目的とした。
  論文  参考訳（メタデータ） (2024-09-11T19:31:56Z)
• 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)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• 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)
• 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。