Fugu-MT 論文翻訳(概要): MT-IceNet -- A Spatial and Multi-Temporal Deep Learning Model for Arctic Sea Ice Forecasting

論文の概要: MT-IceNet -- A Spatial and Multi-Temporal Deep Learning Model for Arctic Sea Ice Forecasting

arxiv url: http://arxiv.org/abs/2308.04511v1
Date: Tue, 8 Aug 2023 18:18:31 GMT
ステータス: 処理完了
システム内更新日: 2023-08-10 16:19:05.432333
Title: MT-IceNet -- A Spatial and Multi-Temporal Deep Learning Model for Arctic Sea Ice Forecasting
Title（参考訳）: MT-IceNet -北極海氷予測のための空間的・時間的深層学習モデル
Authors: Sahara Ali, Jianwu Wang
Abstract要約: 我々は,北極海氷濃度(SIC)予測のためのMT-IceNet - UNetに基づく空間・多時間深層学習モデルを提案する。提案モデルでは,6ヶ月のリードタイムで予測誤差を最大60%低減し,画素ごとのSIC予測に有望な予測性能を提供する。
参考スコア（独自算出の注目度）: 0.31410342959104726
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Arctic amplification has altered the climate patterns both regionally and globally, resulting in more frequent and more intense extreme weather events in the past few decades. The essential part of Arctic amplification is the unprecedented sea ice loss as demonstrated by satellite observations. Accurately forecasting Arctic sea ice from sub-seasonal to seasonal scales has been a major research question with fundamental challenges at play. In addition to physics-based Earth system models, researchers have been applying multiple statistical and machine learning models for sea ice forecasting. Looking at the potential of data-driven approaches to study sea ice variations, we propose MT-IceNet - a UNet based spatial and multi-temporal (MT) deep learning model for forecasting Arctic sea ice concentration (SIC). The model uses an encoder-decoder architecture with skip connections and processes multi-temporal input streams to regenerate spatial maps at future timesteps. Using bi-monthly and monthly satellite retrieved sea ice data from NSIDC as well as atmospheric and oceanic variables from ERA5 reanalysis product during 1979-2021, we show that our proposed model provides promising predictive performance for per-pixel SIC forecasting with up to 60% decrease in prediction error for a lead time of 6 months as compared to its state-of-the-art counterparts.
Abstract（参考訳）: 北極圏の増幅は、気候パターンを地域的にも世界的にも変化させ、過去数十年で、より頻繁で激しい気象現象を引き起こした。北極圏の増幅の不可欠な部分は、衛星観測による前例のない海氷の喪失である。季節的から季節的スケールで北極海氷を正確に予測することは、根本的な課題を伴う主要な研究課題である。物理に基づく地球系のモデルに加えて、研究者は海氷予測に複数の統計モデルと機械学習モデルを適用している。海氷の変動を研究するためのデータ駆動型アプローチの可能性を検討するため,北極海氷濃度(SIC)予測のためのUNetに基づく空間的・時間的深層学習モデルMT-IceNetを提案する。このモデルはエンコーダ-デコーダアーキテクチャを使用し、スキップ接続と多時間入力ストリームを処理し、将来の時間ステップで空間マップを再生する。 1979-2021年、NSIDCから月毎・月毎の衛星海氷データと、ERA5の再分析製品から得られた大気および海洋の変数を用いて、提案モデルが、最先端の予測誤差を6ヵ月間最大60%減少させ、画素ごとのSIC予測に有望な予測性能を提供することを示した。

関連論文リスト

FengWu-W2S: A deep learning model for seamless weather-to-subseasonal forecast of global atmosphere [53.22497376154084]
本研究では,FengWuグローバル気象予報モデルに基づくFengWu-Weather to Subseasonal (FengWu-W2S)を提案する。我々は,FengWu-W2Sが大気環境を3～6週間先まで確実に予測し,マデン・ジュリア振動 (MJO) や北大西洋振動 (NAO) などの地球表面温度, 降水量, 地磁気高度, 季節内信号の予測能力を向上させることを実証した。日時から季節時の予測誤差成長に関するアブレーション実験
論文参考訳（メタデータ） (2024-11-15T13:44:37Z)
SIFM: A Foundation Model for Multi-granularity Arctic Sea Ice Forecasting [19.23074065880929]
本研究では,北極海氷再解析データから自然に得られた時間的多粒度を育成することを提案する。我々の海氷基礎モデル(SIFM)は、粒内情報と粒間情報の両方を活用するように設計されている。実験の結果,SIFMは特定の時間的粒度の深層学習モデルよりも優れていることがわかった。
論文参考訳（メタデータ） (2024-10-16T08:52:12Z)
Unicorn: U-Net for Sea Ice Forecasting with Convolutional Neural Ordinary Differential Equations [6.4020980835163765]
本稿では,毎週の海氷予測を目的とした,Unicornという新しい深層建築について紹介する。本モデルでは,アーキテクチャ内に複数の時系列画像を統合することにより,予測性能を向上する。
論文参考訳（メタデータ） (2024-05-07T01:17:06Z)
FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather Forecasting [56.73502043159699]
この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。 2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
論文参考訳（メタデータ） (2024-01-28T13:23:25Z)
Surrogate Modelling for Sea Ice Concentration using Lightweight Neural Ensemble [0.3626013617212667]
本稿ではLANE-SIという適応的な代理モデル手法を提案する。異なる損失関数を持つ比較的単純な深層学習モデルのアンサンブルを用いて、特定水域における海氷濃度の予測を行う。我々は,カラ海における最先端物理ベースの予測システムSEAS5に対して,20%の改善を実現している。
論文参考訳（メタデータ） (2023-12-07T14:48:30Z)
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)
Data-Driven Short-Term Daily Operational Sea Ice Regional Forecasting [52.77986479871782]
地球温暖化は北極を海洋活動に利用し、信頼性の高い海氷予測の需要を生み出した。本研究では,海氷予測のためのU-Netモデルの性能を,今後10日間にわたって検証した。この深層学習モデルは、気象データの追加と複数の地域での訓練により、単純なベースラインをかなりの差で上回り、その品質を向上させることができることを示す。
論文参考訳（メタデータ） (2022-10-17T09:14:35Z)
Forecasting large-scale circulation regimes using deformable convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討今後1～15日にわたって北大西洋-欧州の気象条件を予測した。より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
論文参考訳（メタデータ） (2022-02-10T11:37:00Z)
Sea Ice Forecasting using Attention-based Ensemble LSTM [4.965782577704965]
本研究では,月毎の海氷範囲を最大1カ月前に予測するための,注意に基づくLong Short Term Memory(LSTM)アンサンブル手法を提案する。日毎および月毎の衛星海氷データと,39年間にわたるERA5再分析から得られた大気および海洋の変動データを用いて,本手法がいくつかのベースラインを上回り,最近提案された深層学習モデルより優れていることを示す。
論文参考訳（メタデータ） (2021-07-27T21:37:29Z)
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。