論文の概要: Ensemble learning for blending gridded satellite and gauge-measured precipitation data

• arxiv url: http://arxiv.org/abs/2307.06840v2
• Date: Sat, 14 Oct 2023 17:15:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-18 04:16:54.985198
• Title: Ensemble learning for blending gridded satellite and gauge-measured precipitation data
• Title（参考訳）: グリッド衛星とゲージ計測降水データを組み合わせたアンサンブル学習
• Authors: Georgia Papacharalampous, Hristos Tyralis, Nikolaos Doulamis, Anastasios Doulamis
• Abstract要約: 本研究では,衛星降雨物の精度を向上させるため,11種類の新しいアンサンブル学習者を提案する。 PERSIANNとIMERGのグリッド化されたデータセットから月次データにアンサンブル学習者を適用する。 また,グローバル・ヒストリカル・クリマトロジー・ネットワークの月次データベースからの降水量測定データを用いた。
• 参考スコア（独自算出の注目度）: 4.2193475197905705
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Regression algorithms are regularly used for improving the accuracy of satellite precipitation products. In this context, satellite precipitation and topography data are the predictor variables, and gauged-measured precipitation data are the dependent variables. Alongside this, it is increasingly recognised in many fields that combinations of algorithms through ensemble learning can lead to substantial predictive performance improvements. Still, a sufficient number of ensemble learners for improving the accuracy of satellite precipitation products and their large-scale comparison are currently missing from the literature. In this study, we work towards filling in this specific gap by proposing 11 new ensemble learners in the field and by extensively comparing them. We apply the ensemble learners to monthly data from the PERSIANN (Precipitation Estimation from Remotely Sensed Information using Artificial Neural Networks) and IMERG (Integrated Multi-satellitE Retrievals for GPM) gridded datasets that span over a 15-year period and over the entire the contiguous United States (CONUS). We also use gauge-measured precipitation data from the Global Historical Climatology Network monthly database, version 2 (GHCNm). The ensemble learners combine the predictions of six machine learning regression algorithms (base learners), namely the multivariate adaptive regression splines (MARS), multivariate adaptive polynomial splines (poly-MARS), random forests (RF), gradient boosting machines (GBM), extreme gradient boosting (XGBoost) and Bayesian regularized neural networks (BRNN), and each of them is based on a different combiner. The combiners include the equal-weight combiner, the median combiner, two best learners and seven variants of a sophisticated stacking method. The latter stacks a regression algorithm on top of the base learners to combine their independent predictions...
• Abstract（参考訳）: 回帰アルゴリズムは衛星降水の精度を向上させるために定期的に用いられる。 この文脈では、衛星の降水と地形データは予測変数であり、測定された降水データは依存変数である。 これに加えて、アンサンブル学習によるアルゴリズムの組み合わせが予測性能を大幅に向上させる可能性があると多くの分野において認識されている。 しかし,衛星沈殿物の精度を向上させるためのアンサンブル学習者の数は少なく,その大規模比較は文献に欠落している。 本研究では,11人の新たなアンサンブル学習者をフィールドで提案し,それらを広範囲に比較することによって,このギャップを埋めることを目指す。 我々は, PERSIANN (Precipitation Estimation from Remotely Sensed Information Using Artificial Neural Networks) とIMERG (Integrated Multi-SatellitE Retrievals for GPM) のグリッド付きデータセットから得られた月次データに対して, センブル学習者を適用した。 また,global historical climatology network monthly database, version 2 (ghcnm) からのゲージ測定降水データも使用する。 アンサンブル学習者は、6つの機械学習回帰アルゴリズム(ベース学習者)、すなわち、多変量適応回帰スプライン(MARS)、多変量適応多項式スプライン(poly-MARS)、ランダムフォレスト(RF)、勾配押し上げ機(GBM)、極勾配押し上げ機(XGBoost)、ベイズ正規化ニューラルネットワーク(BRNN)の予測を組み合わせる。 コンバインダーには、等重量コンバインダー、中央結合器、2つの最高の学習者、洗練された積み重ね法の7つの変種が含まれる。 後者は、ベース学習者の上に回帰アルゴリズムを積み重ねて、独立した予測を組み合わせる。

関連論文リスト

• Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
  時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。 既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。 本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
  論文  参考訳（メタデータ） (2024-11-24T04:56:45Z)
• Uncertainty estimation in satellite precipitation spatial prediction by combining distributional regression algorithms [3.8623569699070353]
  データマージによって降水データセットを作成するエンジニアリングタスクに対して,分散回帰の概念を導入する。 本研究では,空間予測だけでなく,一般の予測問題にも有用な新しいアンサンブル学習手法を提案する。
  論文  参考訳（メタデータ） (2024-06-29T05:58:00Z)
• Uncertainty estimation in spatial interpolation of satellite precipitation with ensemble learning [3.8623569699070353]
  本研究では,9つの量子化に基づくアンサンブル学習装置を導入し,大規模な降水データセットに適用する。 私たちのアンサンブル学習者は6つの積み重ねと3つの簡単な方法(平均、中央値、最良の組み合わせ)を含む。 QRとQRNNで積み重ねると、量子レベルの関心事で最高の結果が得られる。
  論文  参考訳（メタデータ） (2024-03-14T17:45:56Z)
• Hierarchically Coherent Multivariate Mixture Networks [11.40498954142061]
  確率的コヒーレント予測(probabilistic coherent forecasting)は、アグリゲーションのレベルにわたって一貫性のある予測を生成する。 我々は、時系列の関係を捉えるために、複合的可能性目的でネットワークを最適化する。 我々のアプローチでは、最先端のベースラインと比較して、ほとんどのデータセットの平均精度が13.2%向上している。
  論文  参考訳（メタデータ） (2023-05-11T18:52:11Z)
• Comparison of tree-based ensemble algorithms for merging satellite and earth-observed precipitation data at the daily time scale [7.434517639563671]
  衛星製品と地上観測の融合は、大面積を高密度で同時にカバーする降水データセットを得るためにしばしば必要である。 機械学習と統計的学習の回帰アルゴリズムは、この取り組みで定期的に利用される。 回帰のための木に基づくアンサンブルアルゴリズムは,高精度で計算コストの低いアルゴリズム問題の解法として,様々な分野で採用されている。
  論文  参考訳（メタデータ） (2022-12-31T11:14:45Z)
• Comparison of machine learning algorithms for merging gridded satellite and earth-observed precipitation data [7.434517639563671]
  我々は,グローバル・ヒストリカル・クリマトロジー・ネットワークの月次降水データ,バージョン2。 その結果,2乗誤差スコアリング関数が最も正確であることが示唆された。
  論文  参考訳（メタデータ） (2022-12-17T09:39:39Z)
• Learning with MISELBO: The Mixture Cookbook [62.75516608080322]
  本稿では,VampPriorとPixelCNNデコーダネットワークを用いて,フローベース階層型変分オートエンコーダ(VAE)の正規化のための変分近似を初めて提案する。 我々は、この協調行動について、VIと適応的重要度サンプリングの新たな関係を描いて説明する。 我々は、MNISTおよびFashionMNISTデータセット上の負のログ類似度の観点から、VAEアーキテクチャの最先端結果を得る。
  論文  参考訳（メタデータ） (2022-09-30T15:01:35Z)
• Solving Mixed Integer Programs Using Neural Networks [57.683491412480635]
  本稿では,mipソルバの2つのキーサブタスクに学習を適用し,高品質なジョイント変数割当を生成し,その割当と最適課題との客観的値の差を限定する。 提案手法は,ニューラルネットワークに基づく2つのコンポーネントであるニューラルダイバーディングとニューラルブランチを構築し,SCIPなどのベースMIPソルバで使用する。 2つのGoogle生産データセットとMIPLIBを含む6つの現実世界データセットに対するアプローチを評価し、それぞれに別々のニューラルネットワークをトレーニングする。
  論文  参考訳（メタデータ） (2020-12-23T09:33:11Z)
• Improving Generalization in Reinforcement Learning with Mixture Regularization [113.12412071717078]
  そこで本研究では,異なるトレーニング環境からの観察を混合してエージェントを訓練する,mixregという簡単なアプローチを提案する。 Mixregはデータの多様性をより効果的に向上し、よりスムーズなポリシーを学ぶのに役立つ。 その結果、mixregは、未確認テスト環境において確立されたベースラインを大きなマージンで上回る結果となった。
  論文  参考訳（メタデータ） (2020-10-21T08:12:03Z)
• Recent Developments Combining Ensemble Smoother and Deep Generative Networks for Facies History Matching [58.720142291102135]
  本研究は、ファシズムモデルのための連続パラメータ化を構築するためのオートエンコーダネットワークの利用に焦点を当てる。 本稿では,VAE,GAN,Wasserstein GAN,変分自動符号化GAN,サイクルGANの主成分分析(PCA),転送スタイルネットワークのPCA,スタイル損失のVAEの7種類の定式化をベンチマークする。
  論文  参考訳（メタデータ） (2020-05-08T21:32:42Z)
• Communication-Efficient Distributed Stochastic AUC Maximization with Deep Neural Networks [50.42141893913188]
  本稿では,ニューラルネットワークを用いた大規模AUCのための分散変数について検討する。 我々のモデルは通信ラウンドをはるかに少なくし、理論上はまだ多くの通信ラウンドを必要としています。 いくつかのデータセットに対する実験は、我々の理論の有効性を示し、我々の理論を裏付けるものである。
  論文  参考訳（メタデータ） (2020-05-05T18:08:23Z)

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。