論文の概要: PostRainBench: A comprehensive benchmark and a new model for precipitation forecasting
- arxiv url: http://arxiv.org/abs/2310.02676v3
- Date: Fri, 11 Oct 2024 03:12:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-14 13:29:35.069479
- 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: 数値気象予報(NWP)の事後処理に基づく降水予測に着目する。
我々は,包括的マルチ変数NWP後処理ベンチマークである textbfPostRainBench と,シンプルで効果的なChannel Attention Enhanced Multi-task Learning フレームワークである textbfCAMT を紹介する。
我々のモデルは,大雨条件下でNWPアプローチより優れた深層学習に基づく最初の手法である。
- 参考スコア（独自算出の注目度）: 14.855615256498
- License:
- Abstract: Accurate precipitation forecasting is a vital challenge of societal importance. Though data-driven approaches have emerged as a widely used solution, solely relying on data-driven approaches has limitations in modeling the underlying physics, making accurate predictions difficult. We focus on the Numerical Weather Prediction (NWP) post-processing based precipitation forecasting task to couple Machine Learning techniques with traditional NWP. This task remains challenging due to the imbalanced precipitation data and complex relationships between multiple meteorological variables. To address these limitations, we introduce the \textbf{PostRainBench}, a comprehensive multi-variable NWP post-processing benchmark, and \textbf{CAMT}, a simple yet effective Channel Attention Enhanced Multi-task Learning framework with a specially designed weighted loss function. 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 and improvements of 15.6\%, 17.4\%, and 31.8\% over NWP predictions in heavy rain CSI on respective datasets. Most notably, our model is the first deep learning-based method to outperform NWP approaches in heavy rain conditions. These results highlight the potential impact of our model in reducing the severe consequences of extreme rainfall events. Our datasets and code are available at https://github.com/yyyujintang/PostRainBench.
- Abstract（参考訳）: 正確な降水予測は社会的重要性の重要な課題である。
データ駆動のアプローチは広く使われているソリューションとして現れてきたが、データ駆動のアプローチにのみ依存することは、基礎となる物理をモデル化する上で制限があり、正確な予測を困難にしている。
我々は,従来のNWPと機械学習技術を組み合わせるために,後処理に基づく降水予測タスクである数値気象予測(NWP)に注目した。
この課題は、不均衡な降水データと、複数の気象変数の間の複雑な関係のため、依然として困難なままである。
これらの制約に対処するために、包括的多変数NWP後処理ベンチマークである \textbf{PostRainBench} と、特別に設計された重み付き損失関数を持つ単純で効果的なチャネル注意強化型マルチタスク学習フレームワークである \textbf{CAMT} を導入する。
その結果,提案手法は降雨CSIの6.3\%,4.7\%,26.8\%,降雨CSIの15.6\%,17.4\%,NWP予測の31.8\%よりも優れていた。
また, 降雨条件下でNWPアプローチよりも優れた深層学習に基づく手法として, 当社のモデルが注目されている。
これらの結果から,豪雨による豪雨の影響を低減できる可能性が示唆された。
データセットとコードはhttps://github.com/yyyujintang/PostRainBench.comから入手可能です。
関連論文リスト
- Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region [62.09891513612252]
地域レベルのダウンストリームタスクに特化して、リミテッド・エリア・モデリングに焦点を合わせ、モデルをトレーニングします。
我々は,気象予報が水資源の管理,農業,極度の気象事象の影響軽減に重要であるという,気象学的課題からMENA地域を考察する。
本研究では,パラメータ効率のよい微調整手法,特にローランド適応(LoRA)とその変種を統合することの有効性を検証することを目的とした。
論文 参考訳（メタデータ） (2024-09-11T19:31:56Z) - Uncertainty-aware segmentation for rainfall prediction post processing [0.7646713951724011]
日次累積降水量の予測を後処理するための不確実性を考慮した深層学習モデルについて検討する。
本研究では,様々な最先端モデルを比較し,よく知られたSDE-Netの変種を提案する。
その結果,すべてのディープラーニングモデルは,平均的ベースラインNWPソリューションよりも有意に優れていた。
論文 参考訳（メタデータ） (2024-08-28T16:31:40Z) - Leveraging data-driven weather models for improving numerical weather prediction skill through large-scale spectral nudging [1.747339718564314]
本研究は,気象予測に対する物理学的アプローチとAI的アプローチの相対的強みと弱みについて述べる。
GEM予測された大規模状態変数をGraphCast予測に対してスペクトル的に評価するハイブリッドNWP-AIシステムを提案する。
その結果,このハイブリッド手法は,GEMモデルの予測能力を高めるために,GraphCastの強みを活用できることが示唆された。
論文 参考訳（メタデータ） (2024-07-08T16:39:25Z) - ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
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,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。
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) - 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) - 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) - 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) - 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) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳（メタデータ） (2021-06-08T14:48:20Z)
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。