論文の概要: Long-term drought prediction using deep neural networks based on
geospatial weather data
- arxiv url: http://arxiv.org/abs/2309.06212v1
- Date: Tue, 12 Sep 2023 13:28:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-13 12:50:49.795821
- Title: Long-term drought prediction using deep neural networks based on
geospatial weather data
- Title(参考訳): 地理空間気象データに基づく深層ニューラルネットワークによる長期干ばつ予測
- Authors: Vsevolod Grabar, Alexander Marusov, Alexey Zaytsev, Yury Maximov,
Nazar Sotiriadi, Alexander Bulkin
- Abstract要約: 特定の地域での干ばつ確率の正確な予測は、農業慣行における情報的意思決定に不可欠である。
この確率を予測することは、関心領域と近隣領域の様々な要因の複雑な相互作用による課題を生じさせる。
様々なニューラルネットワークに基づいて,この問題に対処するエンドツーエンドのソリューションを提案する。
- 参考スコア(独自算出の注目度): 78.6322588569715
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The accurate prediction of drought probability in specific regions is crucial
for informed decision-making in agricultural practices. It is important to make
predictions one year in advance, particularly for long-term decisions. However,
forecasting this probability presents challenges due to the complex interplay
of various factors within the region of interest and neighboring areas. In this
study, we propose an end-to-end solution to address this issue based on various
spatiotemporal neural networks. The models considered focus on predicting the
drought intensity based on the Palmer Drought Severity Index (PDSI) for
subregions of interest, leveraging intrinsic factors and insights from climate
models to enhance drought predictions.
Comparative evaluations demonstrate the superior accuracy of Convolutional
LSTM (ConvLSTM) and transformer models compared to baseline gradient boosting
and logistic regression solutions. The two former models achieved impressive
ROC AUC scores from 0.90 to 0.70 for forecast horizons from one to six months,
outperforming baseline models. The transformer showed superiority for shorter
horizons, while ConvLSTM did so for longer horizons. Thus, we recommend
selecting the models accordingly for long-term drought forecasting.
To ensure the broad applicability of the considered models, we conduct
extensive validation across regions worldwide, considering different
environmental conditions. We also run several ablation and sensitivity studies
to challenge our findings and provide additional information on how to solve
the problem.
- Abstract(参考訳): 特定の地域における干ばつ確率の正確な予測は,農業実践におけるインフォームド意思決定に不可欠である。
予測を1年先、特に長期的決定のために行うことが重要である。
しかし、この確率を予測することは、関心領域や近隣地域の様々な要因の複雑な相互作用による課題である。
本研究では,様々な時空間ニューラルネットワークに基づくエンドツーエンドソリューションを提案する。
これらのモデルは、パーマー干ばつ重症度指数(PDSI)に基づく干ばつ強度予測に焦点をあて、固有の要因と気候モデルからの洞察を活用して干ばつ予測を強化する。
コンボリューショナルLSTM(ConvLSTM)とトランスフォーマーモデルの精度は,ベースライン勾配向上とロジスティック回帰解と比較して優れている。
以前の2つのモデルは、予測地平線が1ヶ月から6ヶ月で0.90から0.70という印象的なROC AUCスコアを達成し、ベースラインモデルを上回った。
トランスは短い水平線に対して優れ、ConvLSTMは長い水平線に対して優れていた。
したがって,長期干ばつ予測にしたがってモデルを選択することを推奨する。
検討したモデルの広範な適用性を確保するため,様々な環境条件を考慮し,世界中にまたがる広範囲な検証を行う。
いくつかのアブレーションと感度の研究も行っており、この問題の解決方法に関する追加情報を提供しています。
関連論文リスト
- Uncertainty quantification for data-driven weather models [0.0]
本研究では,現在最先端の決定論的データ駆動気象モデルであるPangu-Weatherから確率的天気予報を生成するための不確実性定量化手法について検討・比較する。
具体的には,摂動によるアンサンブル予測を初期条件と比較し,予測の不確実性を定量化する手法を提案する。
欧州における選択された気象変数の中距離予測のケーススタディにおいて,不確実な定量化手法を用いてパング・ウェザーモデルを用いて得られた確率的予測は,有望な結果を示す。
論文 参考訳(メタデータ) (2024-03-20T10:07:51Z) - 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) - Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。
提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
論文 参考訳(メタデータ) (2023-11-30T08:22:08Z) - 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) - 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) - Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global
Weather Forecast [91.9372563527801]
我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。
初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。
Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
論文 参考訳(メタデータ) (2022-11-03T17:19:43Z) - Addressing Deep Learning Model Uncertainty in Long-Range Climate
Forecasting with Late Fusion [2.951502707659703]
本稿では,複数のモデルからの予測を体系的に組み合わせて,融合した結果の予測誤差を低減できるレイトフュージョン手法を提案する。
また、データ正規化を実際に行わずにデータ正規化の利点を得るために、新しい非正規化層を持つネットワークアーキテクチャを提案する。
長距離2m温度予測実験の結果,30年間の気候の正常値を上回っ,モデル数の増加により精度の向上が図られた。
論文 参考訳(メタデータ) (2021-12-10T00:00:09Z) - Short-term precipitation prediction using deep learning [5.1589108738893215]
気象フィールドの1つのフレームを用いた3次元畳み込みニューラルネットワークは降水空間分布を予測することができることを示す。
このネットワークは、気象学の39年 (1980-2018) のデータと、連続した米国上空の毎日の降水に基づいて開発されている。
論文 参考訳(メタデータ) (2021-10-05T06:37:24Z) - 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。