論文の概要: WeatherGNN: Exploiting Complicated Relationships in Numerical Weather
Prediction Bias Correction
- arxiv url: http://arxiv.org/abs/2310.05517v1
- Date: Mon, 9 Oct 2023 08:33:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-12 06:49:51.759045
- Title: WeatherGNN: Exploiting Complicated Relationships in Numerical Weather
Prediction Bias Correction
- Title(参考訳): WeatherGNN:数値気象予報バイアス補正における複雑な関係の爆発
- Authors: Binqing Wu, Weiqi Chen, Wengwei Wang, Bingqing Peng, Liang Sun, Ling
Chen
- Abstract要約: 数値気象予測(NWP)は、不完全な大気物理過程、空間時間分解能の不足、気象の固有の不確実性により不正確または偏りがある可能性がある。
We propose WeatherGNN, a NWP bias-correction method that using Graph Neural Networks (GNN) to learn meteorological and Geographic relationship in a unified framework。
提案手法は,各格子内の気象相互作用を適応的に捉える因子的GNNと,グリッド間の空間的依存関係を動的に捉える高速階層的GNNとを含む。
- 参考スコア(独自算出の注目度): 11.765987861738402
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Numerical weather prediction (NWP) may be inaccurate or biased due to
incomplete atmospheric physical processes, insufficient spatial-temporal
resolution, and inherent uncertainty of weather. Previous studies have
attempted to correct biases by using handcrafted features and domain knowledge,
or by applying general machine learning models naively. They do not fully
explore the complicated meteorologic interactions and spatial dependencies in
the atmosphere dynamically, which limits their applicability in NWP
bias-correction. Specifically, weather factors interact with each other in
complex ways, and these interactions can vary regionally. In addition, the
interactions between weather factors are further complicated by the spatial
dependencies between regions, which are influenced by varied terrain and
atmospheric motions. To address these issues, we propose WeatherGNN, an NWP
bias-correction method that utilizes Graph Neural Networks (GNN) to learn
meteorologic and geographic relationships in a unified framework. Our approach
includes a factor-wise GNN that captures meteorological interactions within
each grid (a specific location) adaptively, and a fast hierarchical GNN that
captures spatial dependencies between grids dynamically. Notably, the fast
hierarchical GNN achieves linear complexity with respect to the number of
grids, enhancing model efficiency and scalability. Our experimental results on
two real-world datasets demonstrate the superiority of WeatherGNN in comparison
with other SOTA methods, with an average improvement of 40.50\% on RMSE
compared to the original NWP.
- Abstract(参考訳): 数値気象予測(NWP)は、不完全な大気物理過程、空間時間分解能の不足、気象の不確実性により不正確または偏りがある。
従来の研究では、手作りの特徴とドメイン知識を用いてバイアスを補正したり、一般的な機械学習モデルを適用したりしてきた。
彼らは、大気中の複雑な気象学的相互作用と空間的依存関係を動的に探究していないため、nwpバイアス修正の適用性が制限されている。
具体的には、気象要因は複雑な方法で相互作用し、これらの相互作用は地域によって異なる可能性がある。
さらに、気象要因間の相互作用は、様々な地形や大気運動に影響される地域間の空間的依存関係によってさらに複雑になる。
このような問題に対処するために,グラフニューラルネットワーク(GNN)を用いたNWPバイアス補正手法であるWeatherGNNを提案する。
提案手法は,各グリッド内の気象相互作用を適応的に捉える因子的GNNと,グリッド間の空間的依存関係を動的に捉える高速階層的GNNを含む。
特に、高速階層型GNNはグリッドの数に関して線形複雑性を実現し、モデルの効率性とスケーラビリティを向上させる。
2つの実世界のデータセットに対する実験結果は、他のSOTA法と比較してWeatherGNNの優位性を示し、従来のNWPに比べてRMSE平均40.50\%改善した。
関連論文リスト
- 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) - DeepPhysiNet: Bridging Deep Learning and Atmospheric Physics for
Accurate and Continuous Weather Modeling [24.848981502799244]
天気予報には、数値気象予報(WP)とディープラーニング予測(DLP)の2つのパラダイムがある。
WPは気象モデリングに大気物理学を利用するが、データ利用の低さと計算コストに悩まされている。
DLPは大量のデータから直接気象パターンを学習できるが、物理法則を組み込むのに苦労している。
我々はDeepPhysiNetフレームワークを導入し、物理法則をディープラーニングモデルに組み込んで、正確かつ連続的な気象システムモデリングを行う。
論文 参考訳(メタデータ) (2024-01-04T05:05:16Z) - Exploring Geometric Deep Learning For Precipitation Nowcasting [28.44612565923532]
そこで我々は,降水量予測のための幾何学的深層学習に基づく時間的グラフ畳み込みネットワーク(GCN)を提案する。
格子セル間の相互作用をシミュレートする隣接行列は、予測と接地真理画素値とのL1損失を最小化することにより、自動的に学習される。
トレント/アイタリー地域におけるレーダ反射率マップの配列について実験を行った。
論文 参考訳(メタデータ) (2023-09-11T21:14:55Z) - A Spatiotemporal Deep Neural Network for Fine-Grained Multi-Horizon Wind
Prediction [3.2474405288441544]
本稿では,高精度かつ高精度な風速予測のための新しいデータ駆動モデルを提案する。
MHSTNは、シークエンス・ツー・シークエンス(Seq2Seq)バックボーンで異なる因子をターゲットにした複数のディープニューラルネットワークを統合する。
MHSTNはすでに中国で最も忙しい国際空港のスケジューリングプラットフォームに統合されている。
論文 参考訳(メタデータ) (2023-09-09T09:36:28Z) - Spatial-temporal Prompt Learning for Federated Weather Forecasting [50.379491498793485]
フェデレート気象予報は、異なる国や地域の参加者間で気象データを分析するための有望な協調学習フレームワークである。
本稿では,多くの分散型低リソースセンサを異なる場所に配置するフェデレート環境での気象データをモデル化する。
論文 参考訳(メタデータ) (2023-05-23T16:59:20Z) - ClimaX: A foundation model for weather and climate [51.208269971019504]
ClimaXは気象と気候科学のディープラーニングモデルである。
気候データセットの自己教師型学習目標で事前トレーニングすることができる。
気候や気候の様々な問題に対処するために、微調整が可能である。
論文 参考訳(メタデータ) (2023-01-24T23:19:01Z) - HiSTGNN: Hierarchical Spatio-temporal Graph Neural Networks for Weather
Forecasting [13.317147032467306]
複数の局における気象変数間の時間的相互相関をモデル化するためのグラフ階層時空間ニューラルネットワーク(HiSTGNN)を提案する。
3つの実世界の気象データセットの実験結果は、HiSTGNNが7つの基準線を超える優れた性能を示した。
特に最先端の天気予報法と比較して誤差を4.2%から11.6%に減らす。
論文 参考訳(メタデータ) (2022-01-22T17:30:46Z) - Deep Learning Based Cloud Cover Parameterization for ICON [55.49957005291674]
我々は,実地域およびグローバルICONシミュレーションに基づいて,粗粒度データを用いたNNベースのクラウドカバーパラメータ化を訓練する。
グローバルに訓練されたNNは、地域シミュレーションのサブグリッドスケールのクラウドカバーを再現することができる。
我々は,コラムベースNNがグローバルから局所的な粗粒データに完全に一般化できない理由として,特定の湿度と雲氷上の過剰なエンハンシスを同定する。
論文 参考訳(メタデータ) (2021-12-21T16:10:45Z) - Spatial-Temporal Fusion Graph Neural Networks for Traffic Flow
Forecasting [35.072979313851235]
交通流の空間的-時間的データ予測は複雑な空間的依存性と道路間の時間的パターンの動的傾向のために難しい課題である。
既存のフレームワークは通常、与えられた空間隣接グラフと、空間的および時間的相関をモデル化する洗練されたメカニズムを利用する。
本稿では,交通流予測のための空間時間融合グラフニューラルネットワーク(STFGNN)を提案する。
論文 参考訳(メタデータ) (2020-12-15T14:03:17Z) - Constructing Geographic and Long-term Temporal Graph for Traffic
Forecasting [88.5550074808201]
交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。
本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2020-04-23T03:50:46Z) - A Spatial-Temporal Attentive Network with Spatial Continuity for
Trajectory Prediction [74.00750936752418]
空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。
まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。
第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
論文 参考訳(メタデータ) (2020-03-13T04:35:50Z)
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。