論文の概要: Unleashing the Power of Dynamic Mode Decomposition and Deep Learning for
Rainfall Prediction in North-East India
- arxiv url: http://arxiv.org/abs/2309.09336v1
- Date: Sun, 17 Sep 2023 17:58:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-19 16:01:22.978090
- Title: Unleashing the Power of Dynamic Mode Decomposition and Deep Learning for
Rainfall Prediction in North-East India
- Title(参考訳): インド北東部における降雨予測のための動的モード分解と深層学習の力を解き放つ
- Authors: Paleti Nikhil Chowdary, Sathvika P, Pranav U, Rohan S, Sowmya V,
Gopalakrishnan E A, Dhanya M
- Abstract要約: 本研究では,DMD(Dynamic Mode Decomposition)とLSTM(Long Short-Term Memory)という2つのデータ駆動手法を用いた降雨予測手法について検討した。
複数の気象観測所から得られた過去の降雨データを用いて,将来の降雨パターンを予測するためのモデルを訓練し,検証した。
以上の結果から,インド北東部地域の降雨予測精度は,データ駆動手法により著しく向上することが示唆された。
- 参考スコア(独自算出の注目度): 0.27488316163114823
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate rainfall forecasting is crucial for effective disaster preparedness
and mitigation in the North-East region of India, which is prone to extreme
weather events such as floods and landslides. In this study, we investigated
the use of two data-driven methods, Dynamic Mode Decomposition (DMD) and Long
Short-Term Memory (LSTM), for rainfall forecasting using daily rainfall data
collected from India Meteorological Department in northeast region over a
period of 118 years. We conducted a comparative analysis of these methods to
determine their relative effectiveness in predicting rainfall patterns. Using
historical rainfall data from multiple weather stations, we trained and
validated our models to forecast future rainfall patterns. Our results indicate
that both DMD and LSTM are effective in forecasting rainfall, with LSTM
outperforming DMD in terms of accuracy, revealing that LSTM has the ability to
capture complex nonlinear relationships in the data, making it a powerful tool
for rainfall forecasting. Our findings suggest that data-driven methods such as
DMD and deep learning approaches like LSTM can significantly improve rainfall
forecasting accuracy in the North-East region of India, helping to mitigate the
impact of extreme weather events and enhance the region's resilience to climate
change.
- Abstract(参考訳): 正確な降雨予報は、洪水や地すべりなどの極端な気象現象が発生しやすいインド北東部の災害対策と緩和に不可欠である。
本研究では,インド気象局の1日降雨データを用いた118年間の降雨予測に,動的モード分解(DMD)と長期短期記憶(LSTM)という2つのデータ駆動手法を用いて検討した。
降雨パターンの予測における相対的有効性を決定するため,これらの手法の比較分析を行った。
複数の気象観測所から得られた過去の降雨データを用いて,将来の降雨パターンを予測するためのモデルを訓練し,検証した。
その結果,DMDとLSTMは降雨予測に有効であり,LSTMの精度はDMDよりも優れており,LSTMはデータの複雑な非線形関係を捉える能力を有しており,降雨予測の強力なツールであることがわかった。
本研究は,dmdなどのデータ駆動手法やlstmのような深層学習手法が,インド北東部における降雨予測精度を著しく向上し,極端な気象現象の影響を緩和し,気候変動へのレジリエンスを高めることを示唆する。
関連論文リスト
- Enhanced Precision in Rainfall Forecasting for Mumbai: Utilizing Physics Informed ConvLSTM2D Models for Finer Spatial and Temporal Resolution [0.0]
本研究では,降雨予測精度の向上を目的とした深層学習空間モデルを提案する。
この仮説を検証するため,インド・ムンバイに先立つ降水量6hrと12hrを予測するために,ConvLSTM2Dモデルを導入した。
論文 参考訳(メタデータ) (2024-04-01T13:56:12Z) - TRG-Net: An Interpretable and Controllable Rain Generator [61.2760968459789]
本研究は,降雨の基盤となる物理的発生機構を十分に考慮した,新しい深層学習型降雨発生器を提案する。
その意義は、発電機が予想される雨をシミュレートするために雨の本質的な要素を精巧に設計するだけでなく、複雑で多様な雨のイメージに微妙に適応することにある。
提案した雨発生器が発生した雨は, 高品質であるだけでなく, 排水作業や下流作業にも有効であることを示す。
論文 参考訳(メタデータ) (2024-03-15T03:27:39Z) - 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 [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) - 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) - Semi-Supervised Video Deraining with Dynamic Rain Generator [59.71640025072209]
本稿では,降雨層に適合する動的降雨発生器を用いた半教師付きビデオデレーシング手法を提案する。
具体的には、1つのエミッションモデルと1つのトランジションモデルから成り、空間的物理的構造と時系列の雨の連続的な変化を同時にエンコードする。
ラベル付き合成およびラベルなしの実データのために、それらの基礎となる共通知識を十分に活用するために、様々な先行フォーマットが設計されている。
論文 参考訳(メタデータ) (2021-03-14T14:28:57Z) - RainBench: Towards Global Precipitation Forecasting from Satellite
Imagery [6.462260770989231]
極端に降水するイベントは、発展途上国の経済と生活を定期的に破壊する。
データ駆動型ディープラーニングアプローチは、正確な複数日予測へのアクセスを広げる可能性がある。
現在、世界的な降雨予測の研究に特化したベンチマークデータセットは存在しない。
論文 参考訳(メタデータ) (2020-12-17T15:35:24Z) - Fusion of rain radar images and wind forecasts in a deep learning model
applied to rain nowcasting [0.0]
気象予測モデルによる降雨レーダー画像と風速の融合により,深層学習モデルを訓練する。
地平線時間30分で予測する中・高降雨時の光流量をF1スコアで計算し, ネットワークの性能は8%向上した。
降雨と風力データの融合は、訓練過程の安定化にも寄与し、特に降雨の予測が難しい地域では大きな改善をもたらした。
論文 参考訳(メタデータ) (2020-12-09T12:50:06Z) - Prediction of Rainfall in Rajasthan, India using Deep and Wide Neural
Network [0.5735035463793008]
インド・ラジャサン州の降雨予測モデル(DWRPM)を提案する。
地理的パラメータ(緯度と経度)の情報は、ユニークな方法で含まれる。
結果とLSTMやCNNのような様々な深層学習手法を比較し,シーケンスベースの予測でうまく機能することが確認された。
論文 参考訳(メタデータ) (2020-10-22T15:01:22Z) - TRU-NET: A Deep Learning Approach to High Resolution Prediction of
Rainfall [21.399707529966474]
本稿では,連続的畳み込み再帰層間の新しい2次元クロスアテンション機構を特徴とするエンコーダデコーダモデルであるTRU-NETを提案する。
降雨のゼロ・スクイド・%極端事象パターンを捉えるために,条件付き連続損失関数を用いた。
実験の結果,短期降水予測ではDLモデルよりもRMSEとMAEのスコアが低いことがわかった。
論文 参考訳(メタデータ) (2020-08-20T17:27:59Z) - 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)
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。