論文の概要: Towards replacing precipitation ensemble predictions systems using
machine learning
- arxiv url: http://arxiv.org/abs/2304.10251v1
- Date: Thu, 20 Apr 2023 12:20:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-21 13:31:37.888570
- Title: Towards replacing precipitation ensemble predictions systems using
machine learning
- Title(参考訳): 機械学習による降水アンサンブル予測システムの置き換えに向けて
- Authors: R\"udiger Brecht and Alex Bihlo
- Abstract要約: 本研究では,高分解能降水に対するアンサンブル気象予測のための新しい手法を提案する。
本手法は,複雑な降水パターンを学習するために生成的対向ネットワークを用いる。
本研究では, 未確認高解像度の降水アンサンブル部材の現実的な生成の可能性を示す。
- 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: Precipitation forecasts are less accurate compared to other meteorological
fields because several key processes affecting precipitation distribution and
intensity occur below the resolved scale of global weather prediction models.
This requires to use higher resolution simulations. To generate an uncertainty
prediction associated with the forecast, ensembles of simulations are run
simultaneously. However, the computational cost is a limiting factor here.
Thus, instead of generating an ensemble system from simulations there is a
trend of using neural networks. Unfortunately the data for high resolution
ensemble runs is not available. We propose a new approach to generating
ensemble weather predictions for high-resolution precipitation without
requiring high-resolution training data. The method uses generative adversarial
networks to learn the complex patterns of precipitation and produce diverse and
realistic precipitation fields, allowing to generate realistic precipitation
ensemble members using only the available control forecast. We demonstrate the
feasibility of generating realistic precipitation ensemble members on unseen
higher resolutions. We use evaluation metrics such as RMSE, CRPS, rank
histogram and ROC curves to demonstrate that our generated ensemble is almost
identical to the ECMWF IFS ensemble.
- Abstract(参考訳): 降水の分布や強度に影響を与えるいくつかの重要なプロセスが、地球規模の気象予測モデルよりも低いため、他の気象分野と比べて降水の予測は正確ではない。
これはより高い解像度のシミュレーションを必要とする。
予測に関連する不確実性予測を生成するため、シミュレーションのアンサンブルを同時に実行する。
しかし、計算コストはここでは制限要因である。
したがって、シミュレーションからアンサンブルシステムを生成する代わりに、ニューラルネットワークを使用する傾向がある。
残念ながら、高解像度アンサンブルの実行データは利用できない。
本研究では,高分解能トレーニングデータを必要とせずに,高分解能降水に対するアンサンブル天気予報を生成する新しい手法を提案する。
本手法は, 降水パターンの複雑なパターンを学習し, 多様な現実的な降水場を生成するために, 利用可能な制御予測のみを用いて, 現実的な降水アンサンブル部材を生成する。
我々は,高分解能で現実的な降水アンサンブル部材を生成できることを実証する。
我々は、RMSE、CRPS、ランクヒストグラム、ROC曲線などの評価指標を用いて、生成したアンサンブルがECMWF IFSアンサンブルとほぼ同一であることを示す。
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) - Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳(メタデータ) (2024-01-22T14:02:56Z) - Probabilistic Precipitation Downscaling with Optical Flow-Guided
Diffusion [19.822891338324453]
気候科学と気象学では、局所降水予測はシミュレーション手法が必要とする高解像度の空間分解能によって制限される。
一般的な回避策は統計的ダウンスケーリング(いわゆる超解像)であり、統計的アプローチを用いて低解像度の予測を超解いたものである。
従来のコンピュータビジョンタスクは主に人間の知覚や平均二乗誤差に焦点を当てるが、天気や気候の応用には高解像度パターンの条件分布を捉える必要がある。
論文 参考訳(メタデータ) (2023-12-11T02:38:07Z) - Generative ensemble deep learning severe weather prediction from a
deterministic convection-allowing model [0.0]
コンボリューション・ニューラル・ネットワーク(CNN)とコンボリューション・コンボリューション・アロイング・モデル(CAM)予測を併用する。
CGANは決定論的CAM予測から合成アンサンブルメンバーを作成するように設計されている。
この手法は,BSS(Brier Skill Score)を最大20%の精度で予測できる。
論文 参考訳(メタデータ) (2023-10-09T18:02:11Z) - Residual Diffusion Modeling for Km-scale Atmospheric Downscaling [51.061954281398116]
台湾上空2kmの高解像度気象モデルを用いて,コスト効率の低いダウンスケーリングモデルを訓練した。
textitCorrDiffは、RMSEとCRPSを巧みに表現し、極端な場合でもスペクトルと分布を忠実に回復する。
グローバルな予測のスケールダウンは、これらのメリットの多くを成功裏に維持し、マシンラーニングの天気予報のエンドツーエンドなグローバルなスケールの可能性を先導する。
論文 参考訳(メタデータ) (2023-09-24T19:57:22Z) - A Generative Deep Learning Approach to Stochastic Downscaling of
Precipitation Forecasts [0.5906031288935515]
GAN(Generative Adversarial Network)は、コンピュータビジョンコミュニティによって超高解像度問題で成功することが実証されている。
GANとVAE-GANは、高分解能で空間的に整合した降水マップを作成しながら、最先端のポイントワイズポストプロセッシング手法の統計的特性と一致することを示す。
論文 参考訳(メタデータ) (2022-04-05T07:19:42Z) - 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) - DeepClimGAN: A High-Resolution Climate Data Generator [60.59639064716545]
地球系モデル(ESM)は、気候変動シナリオの将来の予測を生成するためにしばしば用いられる。
妥協として、エミュレータはかなり安価であるが、ESMの複雑さを全て備えているわけではない。
本稿では, ESMエミュレータとして, 条件付き生成逆数ネットワーク(GAN)の使用を実証する。
論文 参考訳(メタデータ) (2020-11-23T20:13:37Z) - TRU-NET: A Deep Learning Approach to High Resolution Prediction of
Rainfall [21.399707529966474]
本稿では,連続的畳み込み再帰層間の新しい2次元クロスアテンション機構を特徴とするエンコーダデコーダモデルであるTRU-NETを提案する。
降雨のゼロ・スクイド・%極端事象パターンを捉えるために,条件付き連続損失関数を用いた。
実験の結果,短期降水予測ではDLモデルよりもRMSEとMAEのスコアが低いことがわかった。
論文 参考訳(メタデータ) (2020-08-20T17:27:59Z) - Deep Learning for Post-Processing Ensemble Weather Forecasts [14.622977874836298]
深層ニューラルネットワークを用いた後処理ステップと組み合わせて,元来の天気トラジェクトリのサブセットのみを使用する混合モデルを提案する。
我々の後処理では,全アンサンブルに匹敵する結果を得るために,より少ないトラジェクトリを使用できることを示す。
論文 参考訳(メタデータ) (2020-05-18T14:23:26Z)
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。