論文の概要: Decadal Temperature Prediction via Chaotic Behavior Tracking
- arxiv url: http://arxiv.org/abs/2304.09536v1
- Date: Wed, 19 Apr 2023 09:56:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-20 15:01:49.716309
- Title: Decadal Temperature Prediction via Chaotic Behavior Tracking
- Title(参考訳): カオス的挙動追跡によるデカダル温度予測
- Authors: Jinfu Ren, Yang Liu and Jiming Liu
- Abstract要約: 決定的な温度予測は、将来の気候変動の期待される影響を定量化するための重要な情報を提供する。
本研究では,温度変動の変化を追跡し,適応することを目的とした情報追跡機構を備えた新しい予測手法を提案する。
以上の結果から,グローバルな地表面温度をデカダル範囲で正確に予測できることが示唆された。
- 参考スコア(独自算出の注目度): 15.190757020779419
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Decadal temperature prediction provides crucial information for quantifying
the expected effects of future climate changes and thus informs strategic
planning and decision-making in various domains. However, such long-term
predictions are extremely challenging, due to the chaotic nature of temperature
variations. Moreover, the usefulness of existing simulation-based and machine
learning-based methods for this task is limited because initial simulation or
prediction errors increase exponentially over time. To address this challenging
task, we devise a novel prediction method involving an information tracking
mechanism that aims to track and adapt to changes in temperature dynamics
during the prediction phase by providing probabilistic feedback on the
prediction error of the next step based on the current prediction. We integrate
this information tracking mechanism, which can be considered as a model
calibrator, into the objective function of our method to obtain the corrections
needed to avoid error accumulation. Our results show the ability of our method
to accurately predict global land-surface temperatures over a decadal range.
Furthermore, we demonstrate that our results are meaningful in a real-world
context: the temperatures predicted using our method are consistent with and
can be used to explain the well-known teleconnections within and between
different continents.
- Abstract(参考訳): 遅延温度予測は将来の気候変動の影響を定量化するための重要な情報を提供し、様々な領域における戦略的計画と意思決定を通知する。
しかし, 温度変動のカオス性から, 長期予測は非常に困難である。
また、初期シミュレーションや予測誤差が時間とともに指数関数的に増加するため、既存のシミュレーションベースおよび機械学習ベース手法の有用性は限られている。
この課題に対処するために,現在の予測に基づいて次のステップの予測誤差に対する確率的フィードバックを提供することにより,予測段階における温度変動を追跡し適応することを目的とした情報追跡機構を含む新しい予測手法を考案する。
モデル校正器と見なすことのできるこの情報追跡機構を本手法の目的関数に統合し,誤差の蓄積を回避するために必要な補正を求める。
以上の結果から,グローバルな地表面温度をデカダル範囲で正確に予測できることが示唆された。
さらに,本手法を用いて予測した温度は,大陸間および大陸間におけるよく知られた相互接続を説明するのに有用であることを示す。
関連論文リスト
- ExtremeCast: Boosting Extreme Value Prediction for Global Weather
Forecast [61.138475638813354]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。
また,ExEnsembleという名称のトレーニングフリーな極値拡張戦略を導入し,画素値のばらつきを増大させ,予測ロバスト性を向上させる。
提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文 参考訳(メタデータ) (2024-02-02T10:34:13Z) - Performative Time-Series Forecasting [71.18553214204978]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。
本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。
新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文 参考訳(メタデータ) (2023-10-09T18:34:29Z) - Predicting Temperature of Major Cities Using Machine Learning and Deep
Learning [0.0]
我々は,大都市における気温変化を構成するデイトン大学が作成したデータベースを用いて,将来いつでも異なる都市の気温を予測する。
この文書には、このような予測を行うための方法論が含まれています。
論文 参考訳(メタデータ) (2023-09-23T10:23:00Z) - Tipping Point Forecasting in Non-Stationary Dynamics on Function Spaces [78.08947381962658]
タップポイントは急激で、急激で、しばしば非定常力学系の進化における不可逆的な変化である。
我々は、関数空間間のマッピングを学習する新しいリカレントニューラル演算子(RNO)を用いて、そのような非定常系の進化を学習する。
本稿では,物理制約から逸脱をモニタリングすることで,チップ点の予測を行う共形予測フレームワークを提案する。
論文 参考訳(メタデータ) (2023-08-17T05:42:27Z) - SEEDS: Emulation of Weather Forecast Ensembles with Diffusion Models [13.331224394143117]
不確かさの定量化は意思決定に不可欠である。
天気予報の不確実性を表す主要なアプローチは、予測の集合を生成することです。
本稿では,これらの予測を歴史的データから学習した深部生成拡散モデルを用いてエミュレートし,計算コストを補正することを提案する。
論文 参考訳(メタデータ) (2023-06-24T22:00:06Z) - Uncertainty estimation of pedestrian future trajectory using Bayesian
approximation [137.00426219455116]
動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。
著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。
将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
論文 参考訳(メタデータ) (2022-05-04T04:23:38Z) - Extreme precipitation forecasting using attention augmented convolutions [0.913755431537592]
降雨予測のための自己注意型拡張畳み込み機構を提案する。
実験の結果,このフレームワークは古典的畳み込みモデルよりも12%優れていた。
提案手法は,極端な変化の物理的原因を把握するためのツールとして,機械学習を向上させる。
論文 参考訳(メタデータ) (2022-01-31T18:16:03Z) - Addressing Deep Learning Model Uncertainty in Long-Range Climate
Forecasting with Late Fusion [2.951502707659703]
本稿では,複数のモデルからの予測を体系的に組み合わせて,融合した結果の予測誤差を低減できるレイトフュージョン手法を提案する。
また、データ正規化を実際に行わずにデータ正規化の利点を得るために、新しい非正規化層を持つネットワークアーキテクチャを提案する。
長距離2m温度予測実験の結果,30年間の気候の正常値を上回っ,モデル数の増加により精度の向上が図られた。
論文 参考訳(メタデータ) (2021-12-10T00:00:09Z) - Short- and long-term prediction of a chaotic flow: A physics-constrained
reservoir computing approach [5.37133760455631]
乱流せん断流モデルにおける極端な事象や長期速度統計を時間精度で予測する,貯留層計算に基づく物理制約型機械学習手法を提案する。
両手法の組み合わせは, 乱流の自己持続過程モデルにおいて, 速度統計を正確に再現し, 極端な事象の発生と振幅を予測することができることを示す。
論文 参考訳(メタデータ) (2021-02-15T12:29:09Z) - Counterfactual Predictions under Runtime Confounding [74.90756694584839]
本研究は, 過去のデータからすべての関連要因を抽出した環境で, 事実予測タスクについて検討する。
本稿では,この環境下での対実予測モデル学習のための2次ロバスト手法を提案する。
論文 参考訳(メタデータ) (2020-06-30T15:49:05Z) - 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。