論文の概要: Physically Explainable Deep Learning for Convective Initiation
Nowcasting Using GOES-16 Satellite Observations
- arxiv url: http://arxiv.org/abs/2310.16015v1
- Date: Tue, 24 Oct 2023 17:18:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-26 19:09:57.550525
- Title: Physically Explainable Deep Learning for Convective Initiation
Nowcasting Using GOES-16 Satellite Observations
- Title(参考訳): go-16衛星観測による対流開始時点の物理的説明可能な深層学習
- Authors: Da Fan, Steven J. Greybush, David John Gagne II, and Eugene E.
Clothiaux
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.1874930567916036
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Convection initiation (CI) nowcasting remains a challenging problem for both
numerical weather prediction models and existing nowcasting algorithms. In this
study, object-based probabilistic deep learning models are developed to predict
CI based on multichannel infrared GOES-R satellite observations. The data come
from patches surrounding potential CI events identified in Multi-Radar
Multi-Sensor Doppler weather radar products over the Great Plains region from
June and July 2020 and June 2021. An objective radar-based approach is used to
identify these events. The deep learning models significantly outperform the
classical logistic model at lead times up to 1 hour, especially on the false
alarm ratio. Through case studies, the deep learning model exhibits the
dependence on the characteristics of clouds and moisture at multiple levels.
Model explanation further reveals the model's decision-making process with
different baselines. The explanation results highlight the importance of
moisture and cloud features at different levels depending on the choice of
baseline. Our study demonstrates the advantage of using different baselines in
further understanding model behavior and gaining scientific insights.
- Abstract(参考訳): 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。
このデータは、2020年6月から2021年6月にかけて、グレートプレーンズ地域のマルチレーダーマルチセンサードップラー気象レーダ製品で発見されたciの可能性のある事象に関するパッチから得られたものだ。
客観的なレーダーベースのアプローチは、これらのイベントを識別するために使用される。
ディープラーニングモデルは、特に誤報率において、リードタイムで最大1時間までの古典的ロジスティックモデルを著しく上回る。
ケーススタディを通じて、深層学習モデルは、雲と湿気の特性に複数のレベルで依存することを示す。
モデル説明は、モデルの決定過程を異なるベースラインで明らかにする。
説明結果は,ベースラインの選択によって異なるレベルの水分と雲の特徴の重要性を強調した。
本研究は, モデル行動の理解を深め, 科学的洞察を得る上で, 異なるベースラインを用いることの利点を示す。
関連論文リスト
- 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) - 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) - Precipitation nowcasting with generative diffusion models [0.0]
降水処理における拡散モデルの有効性について検討した。
本研究は, 確立されたU-Netモデルの性能と比較したものである。
論文 参考訳(メタデータ) (2023-08-13T09:51:16Z) - OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive
Learning [67.07363529640784]
提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。
我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。
リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
論文 参考訳(メタデータ) (2023-06-20T03:02:14Z) - 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) - TempSAL -- Uncovering Temporal Information for Deep Saliency Prediction [56.22339016797785]
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) - An Extreme-Adaptive Time Series Prediction Model Based on
Probability-Enhanced LSTM Neural Networks [6.5700527395783315]
我々は、極端および正常な予測関数を同時に学習するNEC+と呼ばれる新しい確率強調型ニューラルネットワークモデルを提案する。
本研究では,カリフォルニアの9つの貯水池に適用された3日間の前向き水位予測課題について,提案モデルの評価を行った。
論文 参考訳(メタデータ) (2022-11-29T03:01:59Z) - A case study of spatiotemporal forecasting techniques for weather
forecasting [0.0]
本稿では,地域データによる気象予報の様々な手法,すなわち時間的相関を捉えるために,複数の経度点にまたがる予測手法について検討する。
その結果, 列車の動的分解モードに基づく予測モデルでは, トレーニングを必要とせず, ほぼ同等の精度で予測できることがわかった。
論文 参考訳(メタデータ) (2022-09-29T13:47:02Z) - Seamless lightning nowcasting with recurrent-convolutional deep learning [2.175391729845306]
未来に向けて5分間の時間分解能で雷の発生を予測する深層学習モデルが提示される。
このモデルは、対流の発生を認識・予測できる再帰的・時間的アーキテクチャに基づいている。
予測は、嵐物体の検出と追跡を使わずに、静止格子上で実行される。
論文 参考訳(メタデータ) (2022-03-15T12:54:17Z) - Forecasting large-scale circulation regimes using deformable
convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討
今後1~15日にわたって北大西洋-欧州の気象条件を予測した。
より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5~6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
論文 参考訳(メタデータ) (2022-02-10T11:37:00Z) - Comparison between ARIMA and Deep Learning Models for Temperature
Forecasting [0.0]
本稿では,ARIMA(Auto Regressive Integrated Average)モデルとディープラーニングモデルを比較し,温度を推定する。
実験結果によると,ディープラーニングモデルは従来のARIMA手法よりも優れた性能を示した。
論文 参考訳(メタデータ) (2020-11-09T14:21:46Z)
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。