論文の概要: Emerging Statistical Machine Learning Techniques for Extreme Temperature
Forecasting in U.S. Cities
- arxiv url: http://arxiv.org/abs/2307.14285v1
- Date: Wed, 26 Jul 2023 16:38:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-27 11:50:24.169107
- Title: Emerging Statistical Machine Learning Techniques for Extreme Temperature
Forecasting in U.S. Cities
- Title(参考訳): 米国の都市における極低温予測のための新しい統計的機械学習技術
- Authors: Kameron B. Kinast and Ernest Fokou\'e
- Abstract要約: 本稿では,新しい統計機械学習技術を用いた極端温度パターンの包括的解析を行う。
これらの手法を、最も人口の多い5つの米国都市の気候時系列データに適用する。
本研究は, 統計的手法の違いを強調し, 最も効果的なアプローチとして多層パーセプトロンを同定した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we present a comprehensive analysis of extreme temperature
patterns using emerging statistical machine learning techniques. Our research
focuses on exploring and comparing the effectiveness of various statistical
models for climate time series forecasting. The models considered include
Auto-Regressive Integrated Moving Average, Exponential Smoothing, Multilayer
Perceptrons, and Gaussian Processes. We apply these methods to climate time
series data from five most populated U.S. cities, utilizing Python and Julia to
demonstrate the role of statistical computing in understanding climate change
and its impacts. Our findings highlight the differences between the statistical
methods and identify Multilayer Perceptrons as the most effective approach.
Additionally, we project extreme temperatures using this best-performing
method, up to 2030, and examine whether the temperature changes are greater
than zero, thereby testing a hypothesis.
- Abstract(参考訳): 本稿では,新しい統計的機械学習技術を用いて,極端温度パターンの包括的解析を行う。
本研究は,気候時系列予測における各種統計モデルの有効性の探索と比較に焦点をあてる。
これらのモデルには、自己回帰的統合移動平均、指数的平滑化、多層パーセプトロン、ガウス過程が含まれる。
我々は,これらの手法を,最も人口の多い5つの米国都市の時系列データに適用し,PythonとJuliaを利用して,気候変動とその影響を理解する上での統計計算の役割を実証する。
本研究は, 統計的手法の違いを強調し, 最も効果的なアプローチとして多層パーセプトロンを同定した。
さらに, この最適性能法を用いて極端温度を2030年まで予測し, 温度変化が0より大きいかどうかを検証し, 仮説を検証した。
関連論文リスト
- 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) - Comparing Data-Driven and Mechanistic Models for Predicting Phenology in
Deciduous Broadleaf Forests [47.285748922842444]
我々は、気象時系列から表現指標を予測するために、ディープニューラルネットワークを訓練する。
このアプローチは従来のプロセスベースのモデルよりも優れています。
論文 参考訳(メタデータ) (2024-01-08T15:29:23Z) - 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) - Long-term drought prediction using deep neural networks based on
geospatial weather data [78.63225885697149]
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。
多様な時間的ニューラルネットワークモデルを用いたエンドツーエンドアプローチを導入することで、干ばつデータに対処する。
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) - ClimaX: A foundation model for weather and climate [51.208269971019504]
ClimaXは気象と気候科学のディープラーニングモデルである。
気候データセットの自己教師型学習目標で事前トレーニングすることができる。
気候や気候の様々な問題に対処するために、微調整が可能である。
論文 参考訳(メタデータ) (2023-01-24T23:19:01Z) - GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。
全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。
我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
論文 参考訳(メタデータ) (2022-12-24T18:15:39Z) - Fine-tune your Classifier: Finding Correlations With Temperature [2.071516130824992]
我々は、データセットを表現に計算された統計の集合として記述することで、分類タスクに対する温度の影響を分析する。
これらの抽出された統計値と観測された最適温度との相関について検討した。
論文 参考訳(メタデータ) (2022-10-18T09:48:46Z) - Intelligent Spatial Interpolation-based Frost Prediction Methodology
using Artificial Neural Networks with Limited Local Data [3.3607307817827032]
本研究の目的は,凍害予測のための現場の歴史的データやセンサへの依存を解消することである。
これらのモデルは、既存の気象観測所の気候データ、デジタル標高モデルサーベイ、および正規化差植生指数データを用いて、目標地点の次の1時間最低気温を推定する。
論文 参考訳(メタデータ) (2022-04-15T21:14:07Z) - MLRM: A Multiple Linear Regression based Model for Average Temperature
Prediction of A Day [3.6704226968275258]
我々は,過去の気象データと複数の線形回帰モデルを用いて,地域の天気を予測することを目的としている。
このモデルは摂氏2.8度の誤差で1日の平均気温を予測できる。
論文 参考訳(メタデータ) (2022-03-11T10:22:57Z) - Loosely Conditioned Emulation of Global Climate Models With Generative
Adversarial Networks [2.937141232326068]
我々は、完全に結合した地球モデルから毎日の降水量をエミュレートする2つの「緩やかな条件付き」ジェネレーターネットワーク(GAN)を訓練する。
GANは時間的なサンプルを作り出すために訓練されます:地球を区別する64x128規則的な格子上の沈殿物の32日。
当社の訓練を受けたGANは、大幅に削減された計算コストで多数の実現を迅速に生成できます。
論文 参考訳(メタデータ) (2021-04-29T02:10:08Z) - ClimAlign: Unsupervised statistical downscaling of climate variables via
normalizing flows [0.7734726150561086]
変分推論の正規化における最近の研究の適応を用いた、教師なし、生成的ダウンスケーリングの新しい手法であるClimAlignを提案する。
提案手法は,高分解能および低分解能空間場上の関節分布からの条件および非条件サンプリングを同時に行うとともに,既存の教師付きダウンスケーリング手法に匹敵する予測性能を実現する。
論文 参考訳(メタデータ) (2020-08-11T13:01:53Z)
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。