論文の概要: A Branched Deep Convolutional Network for Forecasting the Occurrence of Hazes in Paris using Meteorological Maps with Different Characteristic Spatial Scales

• arxiv url: http://arxiv.org/abs/2310.07437v1
• Date: Wed, 11 Oct 2023 12:40:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-14 02:22:51.319944
• Title: A Branched Deep Convolutional Network for Forecasting the Occurrence of Hazes in Paris using Meteorological Maps with Different Characteristic Spatial Scales
• Title（参考訳）: 異なる空間スケールの気象地図を用いたパリにおけるヘイズ発生予測のための分岐型深層畳み込みネットワーク
• Authors: Chien Wang
• Abstract要約: 低可視性イベントやヘイズの発生を予測するために,ディープラーニングプラットフォームが開発された。 各種気象・水文学変数の日・日・日・日・地域地図を用いて学習する。 パリ・ハゼの2つの分枝建築が開発されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: A deep learning platform has been developed to forecast the occurrence of the low visibility events or hazes. It is trained by using multi-decadal daily regional maps of various meteorological and hydrological variables as input features and surface visibility observations as the targets. To better preserve the characteristic spatial information of different input features for training, two branched architectures have recently been developed for the case of Paris hazes. These new architectures have improved the performance of the network, producing reasonable scores in both validation and a blind forecasting evaluation using the data of 2021 and 2022 that have not been used in the training and validation.
• Abstract（参考訳）: 低可視性イベントやヘイズの発生を予測するために,ディープラーニングプラットフォームが開発された。 様々な気象・水文変数の多次元日次地域地図を入力特徴として、表面視認性観測を目標として訓練する。 異なる入力特徴の空間情報を訓練用として保存するため,パリ・ハゼの場合の2つの分岐アーキテクチャが最近開発された。 これらの新しいアーキテクチャはネットワークのパフォーマンスを改善し、トレーニングや検証に使われていない2021年と2022年のデータを使用して、検証とブラインド予測の両方で合理的なスコアを生み出した。

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)
• 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)
• Physically Explainable Deep Learning for Convective Initiation Nowcasting Using GOES-16 Satellite Observations [0.1874930567916036]
  Convection Initiation (CI) nowcasting は、数値天気予報モデルと既存の nowcasting アルゴリズムの両方において難しい問題である。 本研究では,多チャンネル赤外線GOES-R衛星観測に基づくCI予測のためのオブジェクトベース確率的深層学習モデルを開発した。
  論文  参考訳（メタデータ） (2023-10-24T17:18:44Z)
• Exploring the Application of Large-scale Pre-trained Models on Adverse Weather Removal [97.53040662243768]
  ネットワークが異なる気象条件を適応的に処理できるようにするために,CLIP埋め込みモジュールを提案する。 このモジュールは、CLIP画像エンコーダによって抽出されたサンプル特定気象と、パラメータセットによって学習された分布特定情報を統合する。
  論文  参考訳（メタデータ） (2023-06-15T10:06:13Z)
• On the Importance of Feature Representation for Flood Mapping using Classical Machine Learning Approaches [3.555368338253582]
  地球観測データに基づく洪水の浸水マッピングは、洪水の影響を受けた地域を、ほぼリアルタイムで緊急救助隊に、安価で正確な地図を提供するのに役立つ。 本稿では,勾配向上決定木,支持ベクトルマシン,二次判別分析など,従来の5つの機械学習手法の可能性について検討する。 これまでに報告した0.8751と0.7031のIoU値を0.70と0.5873と比較すると、単純な勾配増強分類器はディープニューラルネットワークに基づくアプローチよりも大幅に改善できることが示されている。
  論文  参考訳（メタデータ） (2023-03-01T17:39:08Z)
• TempSAL -- Uncovering Temporal Information for Deep Saliency Prediction [64.63645677568384]
  本稿では,逐次時間間隔でサリエンシマップを出力する新たなサリエンシ予測モデルを提案する。 提案手法は,学習した時間マップを組み合わせることで,サリエンシ予測を局所的に調整する。 私たちのコードはGitHubで公開されます。
  論文  参考訳（メタデータ） (2023-01-05T22:10:16Z)
• Physics Informed Shallow Machine Learning for Wind Speed Prediction [66.05661813632568]
  イタリアの32カ所の標高10mの風速計から観測された大量の風のデータセットを分析した。 我々は、過去の風の履歴を用いて教師あり学習アルゴリズムを訓練し、その価値を将来予測する。 最適設計と性能は場所によって異なることがわかった。
  論文  参考訳（メタデータ） (2022-04-01T14:55:10Z)
• Deep multi-stations weather forecasting: explainable recurrent convolutional neural networks [4.213427823201119]
  モデルに自己注意を加えることで、全体の予測性能が向上することを示す。 本稿では,ヨーロッパ18都市の日次収集データから天気予報を行うため,異なる2つのディープラーニングアーキテクチャを比較した。
  論文  参考訳（メタデータ） (2020-09-23T16:22:25Z)
• SmaAt-UNet: Precipitation Nowcasting using a Small Attention-UNet Architecture [5.28539620288341]
  データ駆動型ニューラルネットワークのアプローチにより,正確な降水量を推定できることが示唆された。 オランダ地域の降水マップとフランスのクラウドカバレッジのバイナリ画像を用いて、実際のデータセットに対する我々のアプローチを評価した。
  論文  参考訳（メタデータ） (2020-07-08T20:33:10Z)
• A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
  本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。 提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
  論文  参考訳（メタデータ） (2020-06-13T20:53:17Z)

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。