論文の概要: An Ensemble Machine Learning Approach for Tropical Cyclone Detection Using ERA5 Reanalysis Data

• arxiv url: http://arxiv.org/abs/2306.07291v1
• Date: Wed, 7 Jun 2023 22:26:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-18 12:30:45.283161
• Title: An Ensemble Machine Learning Approach for Tropical Cyclone Detection Using ERA5 Reanalysis Data
• Title（参考訳）: ERA5リアナリシスデータを用いた熱帯サイクロン検出のためのアンサンブル機械学習手法
• Authors: Gabriele Accarino (1), Davide Donno (1), Francesco Immorlano (1 and 2), Donatello Elia (1), Giovanni Aloisio (1 and 2) ((1) Advanced Scientific Computing Division, Centro Euro-Mediterraneo sui Cambiamenti Climatici, Lecce, Italy, (2) Department of Innovation Engineering, University of Salento, Lecce, Italy)
• Abstract要約: 熱帯サイクロン(TC)は、自然界で見られる最も破壊的な現象の1つである。 伝統的に、TCは決定論的追跡スキームを用いて、大規模な気候データセットで特定されてきた。 本研究は,TC中心座標の位置決定のための機械学習アンサンブル手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Tropical Cyclones (TCs) are counted among the most destructive phenomena that can be found in nature. Every year, globally an average of 90 TCs occur over tropical waters, and global warming is making them stronger, larger and more destructive. The accurate detection and tracking of such phenomena have become a relevant and interesting area of research in weather and climate science. Traditionally, TCs have been identified in large climate datasets through the use of deterministic tracking schemes that rely on subjective thresholds. Machine Learning (ML) models can complement deterministic approaches due to their ability to capture the mapping between the input climatic drivers and the geographical position of the TC center from the available data. This study presents a ML ensemble approach for locating TC center coordinates, embedding both TC classification and localization in a single end-to-end learning task. The ensemble combines TC center estimates of different ML models that agree about the presence of a TC in input data. ERA5 reanalysis were used for model training and testing jointly with the International Best Track Archive for Climate Stewardship records. Results showed that the ML approach is well-suited for TC detection providing good generalization capabilities on out of sample data. In particular, it was able to accurately detect lower TC categories than those used for training the models. On top of this, the ensemble approach was able to further improve TC localization performance with respect to single model TC center estimates, demonstrating the good capabilities of the proposed approach.
• Abstract（参考訳）: 熱帯サイクロン(tcs)は自然界で見られる最も破壊的な現象として数えられる。 毎年、世界の平均90TCが熱帯水域で発生し、地球温暖化によってより強く、より大きく、より破壊的になっている。 このような現象の正確な検出と追跡は、気象と気候科学の研究の重要かつ興味深い分野となっている。 伝統的に、TCは主観的閾値に依存する決定論的追跡スキームを用いて、大規模な気候データセットで特定されてきた。 機械学習(ml)モデルは、利用可能なデータから入力された気候ドライバとtcセンターの地理的位置のマッピングを捉える能力があるため、決定論的アプローチを補完することができる。 そこで本研究では,TC中心座標の位置を求めるMLアンサンブル手法を提案し,TCM分類とローカライゼーションの両方を1つのエンドツーエンド学習タスクに組み込む。 このアンサンブルは、入力データにおけるTCの存在に同意する異なるMLモデルのTC中心推定と組み合わせる。 ERA5の再分析は、気候管理のための国際ベストトラックアーカイブと共同でモデルトレーニングと試験に使用された。 その結果, ML手法は, サンプルデータから得られる優れた一般化機能を提供するTC検出に適していることがわかった。 特に、モデルのトレーニングに使用されるものよりも低いTCカテゴリを正確に検出することができた。 これに加えて、アンサンブル・アプローチは、単一モデルTCセンター推定に対するTCローカライズ性能をさらに向上させ、提案手法の優れた性能を実証した。

関連論文リスト

• Fast Context-Biasing for CTC and Transducer ASR models with CTC-based Word Spotter [57.64003871384959]
  この研究は、CTCベースのWord Spotterでコンテキストバイアスを高速化するための新しいアプローチを示す。 提案手法は,CTCログ確率をコンパクトなコンテキストグラフと比較し,潜在的なコンテキストバイアス候補を検出する。 その結果、FスコアとWERの同時改善により、文脈バイアス認識の大幅な高速化が示された。
  論文  参考訳（メタデータ） (2024-06-11T09:37:52Z)
• CondTSF: One-line Plugin of Dataset Condensation for Time Series Forecasting [22.473436770730657]
  データセット凝縮の目的は、合成データセットでトレーニングされたモデルが、完全なデータセットでトレーニングされたモデルと互換性を持って動作できることを保証することである。 分類において、合成データは、全データセットで訓練されたモデルと合成データセットで訓練されたモデルが同じ入力に対して同一のラベルを生成する場合、よく蒸留されると考えられる。 TS予測において, 合成データ蒸留の有効性は, モデル間の距離によって決定される。
  論文  参考訳（メタデータ） (2024-06-04T09:18:20Z)
• Latent Semantic Consensus For Deterministic Geometric Model Fitting [109.44565542031384]
  我々はLSC(Latent Semantic Consensus)と呼ばれる効果的な方法を提案する。 LSCは、モデルフィッティング問題をデータポイントとモデル仮説に基づく2つの潜在意味空間に定式化する。 LSCは、一般的な多構造モデルフィッティングのために、数ミリ秒以内で一貫した、信頼性の高いソリューションを提供することができる。
  論文  参考訳（メタデータ） (2024-03-11T05:35:38Z)
• Global Tropical Cyclone Intensity Forecasting with Multi-modal Multi-scale Causal Autoregressive Model [22.715152977444742]
  グローバル熱帯サイクロン強度自動回帰予測のためのマルチモーダル・マルチスケール因果自己回帰モデル(MSCAR)を提案する。 MSCARは、大域的なTC強度自己回帰予測のための因果関係と大規模マルチ時間データを組み合わせる。 本稿では,SETCD(Saturate and ERA5-based Tropical Cyclone dataset)について述べる。
  論文  参考訳（メタデータ） (2024-02-16T15:26:33Z)
• MT-HCCAR: Multi-Task Deep Learning with Hierarchical Classification and Attention-based Regression for Cloud Property Retrieval [4.24122904716917]
  本稿では,マルチタスク学習を用いたエンドツーエンドディープラーニングモデルMT-HCCARを紹介し,クラウドマスキング,クラウドフェーズ検索,COT予測について述べる。 MT-HCCARは階層型分類ネットワーク(HC)と分類支援型注意ベース回帰ネットワーク(CAR)を統合し、クラウドラベリングとCOT予測の精度と堅牢性を高める。
  論文  参考訳（メタデータ） (2024-01-29T19:50:50Z)
• Federated Learning with Projected Trajectory Regularization [65.6266768678291]
  フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。 連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。 本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-22T02:12:08Z)
• 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)
• Detecting Extratropical Cyclones of the Northern Hemisphere with Single Shot Detector [1.4502611532302039]
  我々は,北半球の熱帯圏外サイクロン(ETC)を検出するための深層学習モデルを提案する。 最初に、Bonfantiらによるアプローチを適用することで、サイクロン中心にラベルを付ける。 次に、データセット内の画像のラベル付けと事前処理のフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-01T00:46:37Z)
• Layer Pruning on Demand with Intermediate CTC [50.509073206630994]
  我々はコネクショニスト時間分類(CTC)に基づくASRの訓練と刈り取り方法を提案する。 本稿では,Transformer-CTCモデルをオンデマンドで様々な深さでプルーニングできることを示し,GPU上でのリアルタイム係数を0.005から0.002に改善した。
  論文  参考訳（メタデータ） (2021-06-17T02:40:18Z)
• No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
  実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。 このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。 実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
  論文  参考訳（メタデータ） (2021-06-09T12:02:29Z)
• CNN Profiler on Polar Coordinate Images for Tropical Cyclone Structure Analysis [11.387235721659378]
  本研究は、衛星画像にCNNを適用して、TC構造プロファイル全体を作成する。 新たにリリースしたベンチマークデータセットで、トレーニングのための貴重なラベルを提供しています。
  論文  参考訳（メタデータ） (2020-10-28T18:13:19Z)

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。