論文の概要: Extreme heatwave sampling and prediction with analog Markov chain and
comparisons with deep learning
- arxiv url: http://arxiv.org/abs/2307.09060v2
- Date: Fri, 26 Jan 2024 07:04:36 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-29 18:10:55.268857
- Title: Extreme heatwave sampling and prediction with analog Markov chain and
comparisons with deep learning
- Title（参考訳）: アナログマルコフ連鎖を用いた極端熱波サンプリングと予測とディープラーニングとの比較
- Authors: George Miloshevich, Dario Lucente, Pascal Yiou, Freddy Bouchet
- Abstract要約: 本研究では,フランスとスカンジナビアにおける熱波の確率推定に適したデータ駆動型エミュレータ,天気発生器(SWG)を提案する。
我々は,中間複雑性気候モデルを用いてエミュレータを訓練し,サンプルからの熱波の条件付き確率(予測)を予測することができることを示した。
SWGによる確率的予測は、畳み込みニューラルネットワーク(CNN)による予測と比較される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a data-driven emulator, stochastic weather generator (SWG),
suitable for estimating probabilities of prolonged heatwaves in France and
Scandinavia. This emulator is based on the method of analogs of circulation to
which we add temperature and soil moisture as predictor fields. We train the
emulator on an intermediate complexity climate model run and show that it is
capable of predicting conditional probabilities (forecasting) of heatwaves out
of sample. Special attention is payed that this prediction is evaluated using
proper score appropriate for rare events. To accelerate the computation of
analogs dimensionality reduction techniques are applied and the performance is
evaluated. The probabilistic prediction achieved with SWG is compared with the
one achieved with
Convolutional Neural Network (CNN). With the availability of hundreds of
years of training data CNNs perform better at the task of probabilistic
prediction. In addition, we show that the SWG emulator trained on 80 years of
data is capable of estimating extreme return times of order of thousands of
years for heatwaves longer than several days more precisely than the fit based
on generalised extreme value distribution. Finally, the quality of its
synthetic extreme teleconnection patterns obtained with stochastic weather
generator is studied. We showcase two examples of such synthetic teleconnection
patterns for heatwaves in France and Scandinavia that compare favorably to the
very long climate model control run.
- Abstract（参考訳）: 本研究では,フランスとスカンジナビアの長寿命熱波の確率推定に適したデータ駆動エミュレータ,確率気象発生器(SWG)を提案する。
このエミュレータは, 温度と土壌水分を予測場として加える循環のアナログ法に基づいている。
中間複雑性気候モデルでエミュレータを訓練し、サンプルからの熱波の条件確率(予測)を予測することができることを示す。
この予測は,レアイベントに適した適切なスコアを用いて評価される。
アナログの次元縮小手法の計算を高速化し、性能評価を行う。
SWGによる確率的予測は、畳み込みニューラルネットワーク(CNN)による予測と比較される。
何百年ものトレーニングデータの可用性により、CNNは確率的予測のタスクにおいてより良いパフォーマンスを発揮する。
また,80 年間のデータに基づいてトレーニングされた swg エミュレータは,一般化された極値分布に基づく適合性よりも,数 日よりも長い熱波に対して,数千 年単位の極値返却時間を推定できることを示した。
最後に, 確率的気象発生器を用いて得られた人工極端テレコネクションパターンの質について検討した。
本稿では,フランスとスカンジナビアの温熱波の合成テレコネクトパターンを,非常に長い気候モデル制御法と比較した2つの例を示す。
関連論文リスト
- ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
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,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。
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) - 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) - Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。
私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。
主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文 参考訳（メタデータ） (2023-09-12T13:28:06Z) - Precipitation nowcasting with generative diffusion models [0.0]
降水処理における拡散モデルの有効性について検討した。
本研究は, 確立されたU-Netモデルの性能と比較したものである。
論文 参考訳（メタデータ） (2023-08-13T09:51:16Z) - Fast parameter estimation of Generalized Extreme Value distribution
using Neural Networks [9.987055028382876]
一般的な極値分布は、洪水、干ばつ、熱波、山火事などの極端な事象をモデル化するための一般的な選択である。
本稿では,ニューラルネットワークを用いた計算効率が高く,可能性のない推定手法を提案する。
提案手法は,従来の最大値法と同等の精度でGEV分布パラメータの推定値を提供する。
論文 参考訳（メタデータ） (2023-05-07T17:40:52Z) - Probabilistic forecasts of extreme heatwaves using convolutional neural
networks in a regime of lack of data [6.972317847755389]
極端熱波の予測モデルを構築する手法を開発した。
これらのモデルは、非常に長い8000年間の気候モデル出力に基づいて訓練された畳み込みニューラルネットワークに基づいている。
ディープニューラルネットワークは、フランス上空の14日間のヒートウェーブに対して、この目的に適していることを示す。
論文 参考訳（メタデータ） (2022-08-01T16:19:38Z) - An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2022-04-18T23:42:18Z) - Predicting traffic signals on transportation networks using
spatio-temporal correlations on graphs [56.48498624951417]
本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。
予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。
提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
論文 参考訳（メタデータ） (2021-04-27T18:17:42Z) - Dynamical prediction of two meteorological factors using the deep neural
network and the long short term memory $(1)$ [0.0]
本研究では,既存のニューラルネットワーク法を用いて予測精度を向上させる。
シミュレーション研究は、人工ニューラルネットワーク(ANN)、ディープニューラルネットワーク(DNN)、エクストリームラーニングマシン(ELM)、ロング短期メモリ(LSTM)を適用することによって行われます。
2014年3月から2020年2月までの韓国10都市の低周波時系列からデータを抽出する。
論文 参考訳（メタデータ） (2021-01-16T16:24:24Z) - 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) - 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。