論文の概要: HurriCast: An Automatic Framework Using Machine Learning and Statistical Modeling for Hurricane Forecasting

• arxiv url: http://arxiv.org/abs/2309.07174v1
• Date: Tue, 12 Sep 2023 19:48:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-15 17:27:48.825591
• Title: HurriCast: An Automatic Framework Using Machine Learning and Statistical Modeling for Hurricane Forecasting
• Title（参考訳）: hurricast: ハリケーン予報のための機械学習と統計モデルを用いた自動フレームワーク
• Authors: Shouwei Gao, Meiyan Gao, Yuepeng Li, Wenqian Dong
• Abstract要約: ハリケーンは、その破壊的な影響により、アメリカにおいて大きな課題を呈している。 これらのリスクを緩和することは重要であり、この取り組みの中心は保険業界である。 本研究では,ARIMAモデルとK-MEANSを組み合わせることで,ハリケーンの傾向をより正確に把握する手法を提案する。
• 参考スコア（独自算出の注目度）: 5.806235734006766
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hurricanes present major challenges in the U.S. due to their devastating impacts. Mitigating these risks is important, and the insurance industry is central in this effort, using intricate statistical models for risk assessment. However, these models often neglect key temporal and spatial hurricane patterns and are limited by data scarcity. This study introduces a refined approach combining the ARIMA model and K-MEANS to better capture hurricane trends, and an Autoencoder for enhanced hurricane simulations. Our experiments show that this hybrid methodology effectively simulate historical hurricane behaviors while providing detailed projections of potential future trajectories and intensities. Moreover, by leveraging a comprehensive yet selective dataset, our simulations enrich the current understanding of hurricane patterns and offer actionable insights for risk management strategies.
• Abstract（参考訳）: ハリケーンは、その破壊的な影響により、アメリカにおいて大きな課題を呈している。 これらのリスクを緩和することは重要であり、リスク評価に複雑な統計モデルを用いることで、保険業界がこの取り組みの中心となっている。 しかし、これらのモデルはしばしば重要な時間的および空間的ハリケーンパターンを無視し、データ不足によって制限される。 本研究では,ARIMAモデルとK-MEANSを組み合わせることで,ハリケーンの傾向をより正確に把握する手法を提案する。 実験の結果, このハイブリッド手法は歴史的ハリケーンの挙動を効果的にシミュレートし, 将来的な軌道や強度の詳細な予測を行うことができた。 さらに,包括的かつ選択的にデータセットを活用することで,ハリケーンパターンの現在の理解を深め,リスク管理戦略に有効な洞察を提供する。

関連論文リスト

• Transferable Adversarial Attacks on SAM and Its Downstream Models [87.23908485521439]
  本稿では,セグメント・アプライス・モデル(SAM)から微調整した様々な下流モデルに対する敵攻撃の可能性について検討する。 未知のデータセットを微調整したモデルに対する敵攻撃の有効性を高めるために,ユニバーサルメタ初期化(UMI)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-26T15:04:04Z)
• MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
  気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。 以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。 本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
  論文  参考訳（メタデータ） (2024-08-20T13:45:49Z)
• SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
  天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。 伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。 本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:00:15Z)
• Potential Paradigm Shift in Hazard Risk Management: AI-Based Weather Forecast for Tropical Cyclone Hazards [14.98500685250914]
  この研究は、焦点となる例として熱帯性サイクロンを用いる。 そこで我々は,先進的なPangu AI気象モデルを用いて,アンサンブル予測を生成する摂動に基づく手法を開発した。
  論文  参考訳（メタデータ） (2024-04-29T05:32:48Z)
• Storm Surge Modeling in the AI ERA: Using LSTM-based Machine Learning for Enhancing Forecasting Accuracy [0.7149367973754319]
  LSTMに基づくディープラーニングネットワーク機械学習アーキテクチャを提案する。 本研究の全体的な目標は,物理モデルのシステム的誤差を予測し,シミュレーション結果の精度を向上させることである。
  論文  参考訳（メタデータ） (2024-03-07T13:19:38Z)
• Predicting Hurricane Evacuation Decisions with Interpretable Machine Learning Models [0.0]
  本研究では,容易にアクセス可能な人口動態と資源関連予測器によって構築された世帯の避難決定を予測するための新しい手法を提案する。 提案手法は,避難交通需要の推計を改善するため,緊急管理当局に新たなツールと枠組みを提供する可能性がある。
  論文  参考訳（メタデータ） (2023-03-12T03:45:44Z)
• An evaluation of deep learning models for predicting water depth evolution in urban floods [59.31940764426359]
  高空間分解能水深予測のための異なる深層学習モデルの比較を行った。 深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。 その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
  論文  参考訳（メタデータ） (2023-02-20T16:08:54Z)
• Simulation of Atlantic Hurricane Tracks and Features: A Deep Learning Approach [0.0]
  本稿では機械学習(ML)とディープラーニング(DL)技術を用いて,HURDAT2データベースモデルで利用可能な入力データ(ストーム特徴)から取得する。 この目的を追求するために、嵐中心を経度と緯度で表す軌道モデルと、中央の圧力と最大風速1-min$の風速を10$mの高度で表す強度モデルが作成された。 嵐シミュレーションモデルの有効性はニューオーリンズ、マイアミ、ハッテラス岬の3つの例で実証されている。
  論文  参考訳（メタデータ） (2022-08-12T13:14:25Z)
• 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)
• From Rain Generation to Rain Removal [67.71728610434698]
  雨層を生成物としてパラメータ化した雨画像のためのベイズ生成モデルを構築した。 降雨画像の統計的分布を推定するために,変分推論の枠組みを用いる。 総合的な実験により,提案モデルが複雑な降雨分布を忠実に抽出できることが確認された。
  論文  参考訳（メタデータ） (2020-08-08T18:56:51Z)
• Automating Turbulence Modeling by Multi-Agent Reinforcement Learning [4.784658158364452]
  乱流モデルの自動検出ツールとしてマルチエージェント強化学習を導入する。 等方性乱流と等方性乱流の大規模渦シミュレーションにおけるこのアプローチの可能性を示す。
  論文  参考訳（メタデータ） (2020-05-18T18:45:09Z)

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。