論文の概要: Understanding cirrus clouds using explainable machine learning

• arxiv url: http://arxiv.org/abs/2305.02090v1
• Date: Wed, 3 May 2023 12:50:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-04 14:55:33.448517
• Title: Understanding cirrus clouds using explainable machine learning
• Title（参考訳）: 説明可能な機械学習によるシラス雲の理解
• Authors: Kai Jeggle, David Neubauer, Gustau Camps-Valls and Ulrike Lohmann
• Abstract要約: 円雲は地球の気候の鍵となる変調物質である。 この研究は3年間の衛星データと再分析データを用いて、サイラスドライバと雲の性質の関係を研究する。
• 参考スコア（独自算出の注目度）: 6.926011161774023
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cirrus clouds are key modulators of Earth's climate. Their dependencies on meteorological and aerosol conditions are among the largest uncertainties in global climate models. This work uses three years of satellite and reanalysis data to study the link between cirrus drivers and cloud properties. We use a gradient-boosted machine learning model and a Long Short-Term Memory (LSTM) network with an attention layer to predict the ice water content and ice crystal number concentration. The models show that meteorological and aerosol conditions can predict cirrus properties with $R^2 = 0.49$. Feature attributions are calculated with SHapley Additive exPlanations (SHAP) to quantify the link between meteorological and aerosol conditions and cirrus properties. For instance, the minimum concentration of supermicron-sized dust particles required to cause a decrease in ice crystal number concentration predictions is $2 \times 10^{-4}$ mg m\textsuperscript{-3}. The last 15 hours before the observation predict all cirrus properties.
• Abstract（参考訳）: 円雲は地球の気候の鍵となる変調物質である。 気象およびエアロゾル条件への依存は、地球規模の気候モデルにおける最大の不確実性の一つである。 この研究は3年間の衛星データと再分析データを用いて、サイラスドライバと雲の性質の関係を研究する。 我々は,氷水含量と結晶数濃度を予測するため,勾配ブースト機械学習モデルと,注意層を有する長短短期記憶(LSTM)ネットワークを用いた。 モデルによれば、気象条件とエアロゾル条件は、r^2 = 0.49$のシラス特性を予測できる。 特徴属性をSHAP(SHapley Additive ExPlanations)を用いて計算し,気象条件とエアロゾル条件の関連性を定量化する。 例えば、氷結晶数濃度の予測を減少させるのに必要な超微小粒子の最小濃度は、2 \times 10^{-4}$ mg m\textsuperscript{-3}である。 観測の15時間前には、全てのシラスの性質が予測される。

関連論文リスト

• 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)
• WeatherQA: Can Multimodal Language Models Reason about Severe Weather? [45.43764278625153]
  干し草、竜巻、雷雨などの激しい対流的な気象イベントは、しばしば急速に起こるが、大きな被害を招き、毎年何十億ドルもの費用がかかる。 このことは、気象学者や住民のリスクの高い地域での適切な準備のために、前もって厳しい天候の脅威を予知することの重要性を強調している。 我々は、気象パラメータの複雑な組み合わせを推論し、現実のシナリオで厳しい天候を予測するために、機械用に設計された最初のマルチモーダルデータセットであるWeatherQAを紹介する。
  論文  参考訳（メタデータ） (2024-06-17T05:23:18Z)
• 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)
• IceCloudNet: Cirrus and mixed-phase cloud prediction from SEVIRI input learned from sparse supervision [26.970640961908032]
  氷粒子は気候システムにおいて重要な役割を担っているが、気候モデルや将来の気候予測において大きな不確実性の原因となっている。 本研究では,静止衛星観測装置における状態依存型氷物理特性の新たな観測制約と,アクティブ衛星検索の品質について述べる。
  論文  参考訳（メタデータ） (2023-10-05T12:24:25Z)
• 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)
• Using Non-Linear Causal Models to Study Aerosol-Cloud Interactions in the Southeast Pacific [22.685315288691466]
  エアロゾルは雲に入り、雲凝縮核(CCN)として働く CCNの増加は平均雲滴径を減少させる。 滴の大きさが小さくなれば、より明るく、膨張し、より長く続く雲が、より多くの日光を反射するようになる。
  論文  参考訳（メタデータ） (2021-10-28T13:00:45Z)
• Emulating Aerosol Microphysics with a Machine Learning [1.6311150636417262]
  エアロゾル粒子は、放射を吸収し、散乱し、雲の性質に影響を与えることにより、気候システムにおいて重要な役割を果たす。 多くの気候モデルはエアロゾルを十分に詳細に含まない。 これは、M7マイクロ物理モデルを用いて、ECHAM-HAMグローバル気候エアロゾルモデルで行われる。 機械学習を用いて、マイクロ物理モデルを十分な精度で近似し、推論時に高速に計算コストを削減することを目的としている。
  論文  参考訳（メタデータ） (2021-09-22T08:42:19Z)
• ParkPredict: Motion and Intent Prediction of Vehicles in Parking Lots [65.33650222396078]
  我々は、駐車場環境を開発し、人間の駐車操作のデータセットを収集する。 本稿では,多モード長短期記憶(LSTM)予測モデルと畳み込みニューラルネットワークLSTM(CNN-LSTM)を物理ベースの拡張カルマンフィルタ(EKF)ベースラインと比較する。 以上の結果から,1) 意図をよく推定できる(LSTMとCNN-LSTMモデルによる約85% のトップ1精度と100% トップ3精度),2) 運転者の意図する駐車場所の知識が駐車軌跡の予測に大きく影響すること,3) 環境の意味的表現について考察した。
  論文  参考訳（メタデータ） (2020-04-21T20:46:32Z)

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。