論文の概要: PostRainBench: A comprehensive benchmark and a new model for
precipitation forecasting
- arxiv url: http://arxiv.org/abs/2310.02676v2
- Date: Thu, 5 Oct 2023 02:49:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-06 10:51:19.385805
- Title: PostRainBench: A comprehensive benchmark and a new model for
precipitation forecasting
- Title(参考訳): PostRainBench: 包括的なベンチマークと降水予測の新しいモデル
- Authors: Yujin Tang, Jiaming Zhou, Xiang Pan, Zeying Gong, Junwei Liang
- Abstract要約: AIベースの後処理技術を従来の数値気象予測(NWP)手法と組み合わせることで、予測精度を向上させるためのより効果的なソリューションを提供する。
重み付き損失関数を特別に設計した,シンプルで効果的なチャネル注意強化マルチタスク学習フレームワークであるCAMTを提案する。
我々のモデルは、極度の降水条件下で従来のNWPアプローチを上回る、初めてのディープラーニングベースの手法である。
- 参考スコア(独自算出の注目度): 15.937786723800883
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate precipitation forecasting is a vital challenge of both scientific
and societal importance. Data-driven approaches have emerged as a widely used
solution for addressing this challenge. However, solely relying on data-driven
approaches has limitations in modeling the underlying physics, making accurate
predictions difficult. Coupling AI-based post-processing techniques with
traditional Numerical Weather Prediction (NWP) methods offers a more effective
solution for improving forecasting accuracy. Despite previous post-processing
efforts, accurately predicting heavy rainfall remains challenging due to the
imbalanced precipitation data across locations and complex relationships
between multiple meteorological variables. To address these limitations, we
introduce the PostRainBench, a comprehensive multi-variable NWP post-processing
benchmark consisting of three datasets for NWP post-processing-based
precipitation forecasting. We propose CAMT, a simple yet effective Channel
Attention Enhanced Multi-task Learning framework with a specially designed
weighted loss function. Its flexible design allows for easy plug-and-play
integration with various backbones. Extensive experimental results on the
proposed benchmark show that our method outperforms state-of-the-art methods by
6.3%, 4.7%, and 26.8% in rain CSI on the three datasets respectively. Most
notably, our model is the first deep learning-based method to outperform
traditional Numerical Weather Prediction (NWP) approaches in extreme
precipitation conditions. It shows improvements of 15.6%, 17.4%, and 31.8% over
NWP predictions in heavy rain CSI on respective datasets. These results
highlight the potential impact of our model in reducing the severe consequences
of extreme weather events.
- Abstract(参考訳): 正確な降水予測は科学的・社会的に重要な課題である。
データ駆動アプローチは、この課題に対処するために広く使われているソリューションとして現れています。
しかし、データ駆動アプローチのみに依存することは、基礎となる物理学のモデル化に制限があり、正確な予測は困難である。
AIベースの後処理技術を従来の数値気象予測(NWP)手法と組み合わせることで、予測精度を向上させるためのより効果的なソリューションを提供する。
降雨量の予測は, 降雨量の不均衡や複数の気象変数の複雑な関係が原因で, 従来から行われてきた豪雨の正確な予測は困難である。
これらの制約に対処するため、我々は、NWP後処理に基づく降水予測のための3つのデータセットからなる包括的多変数NWP後処理ベンチマークであるPostRainBenchを紹介した。
重み付き損失関数を特別に設計した,シンプルで効果的なチャネル注意強化マルチタスク学習フレームワークであるCAMTを提案する。
フレキシブルなデザインで、様々なバックボーンと簡単にプラグ&プレイできる。
提案ベンチマークの広範な実験結果から,本手法は3つのデータセットの降雨csiの6.3%,4.7%,26.8%で最先端手法を上回った。
最も注目すべきは, 降水条件下での従来の数値気象予測(NWP)手法よりも優れた深層学習に基づく手法である。
各データセットの豪雨csiにおけるnwp予測に対する15.6%、17.4%、31.8%の改善を示している。
これらの結果から,極度の気象事象による深刻な影響を低減できる可能性が示唆された。
関連論文リスト
- ExtremeCast: Boosting Extreme Value Prediction for Global Weather
Forecast [61.138475638813354]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。
また,ExEnsembleという名称のトレーニングフリーな極値拡張戦略を導入し,画素値のばらつきを増大させ,予測ロバスト性を向上させる。
提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文 参考訳(メタデータ) (2024-02-02T10:34:13Z) - 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) - AdaNAS: Adaptively Post-processing with Self-supervised Neural
Architecture Search for Ensemble Rainfall Forecasts [16.723190233704432]
本稿では,降雨予知処理と降雨予測を高精度に行う自己教師型ニューラルネットワークサーチ(NAS)手法を提案する。
さらに,降雨エリアの予測を著しく改善する雨量対応検索空間を設計する。
EmphNone、emphLight、emphModerate、emphHeavy、emphViolentの大規模な降水ベンチマークで検証実験が行われた。
論文 参考訳(メタデータ) (2023-12-26T13:23:03Z) - Self-Supervised Pre-Training for Precipitation Post-Processor [1.5553847214012175]
数値気象予測(NWP)モデルのための深層学習に基づく降水ポストプロセッサを提案する。
地域NWPデータセットの降水補正実験は,提案手法が他の手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-10-31T05:13:10Z) - 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) - Beyond S-curves: Recurrent Neural Networks for Technology Forecasting [60.82125150951035]
我々は機械学習と時系列予測の最近の進歩を生かしたオートコーダアプローチを開発した。
S曲線予測は、単純なARIMAベースラインに匹敵する平均パーセンテージ誤差(MAPE)を示す。
我々のオートエンコーダアプローチは、2番目に高い結果に対して平均13.5%改善する。
論文 参考訳(メタデータ) (2022-11-28T14:16:22Z) - 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) - Benchmark Dataset for Precipitation Forecasting by Post-Processing the
Numerical Weather Prediction [11.52104902059751]
スタンドアロンNWPとDLのギャップを埋めるためのハイブリッドNWP-DLワークフローを提案する。
このワークフローでは、NWP出力を深いモデルに入力し、データを後処理して洗練された降水予測を生成する。
我々は,NWP予測とAWS観測による朝鮮半島の新たなデータセットを提案する。
論文 参考訳(メタデータ) (2022-06-30T12:41:32Z) - 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) - Deep Learning for Post-Processing Ensemble Weather Forecasts [14.622977874836298]
深層ニューラルネットワークを用いた後処理ステップと組み合わせて,元来の天気トラジェクトリのサブセットのみを使用する混合モデルを提案する。
我々の後処理では,全アンサンブルに匹敵する結果を得るために,より少ないトラジェクトリを使用できることを示す。
論文 参考訳(メタデータ) (2020-05-18T14:23:26Z)
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。