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
- WeatherReal: A Benchmark Based on In-Situ Observations for Evaluating Weather Models [11.016845506758841]
我々は,地球近傍の地表面観測から得られた気象予報のための新しいベンチマークデータセットであるWeatherRealを紹介する。
本稿では,データセットの基盤となる情報源と処理手法を詳述するとともに,超局地的・極端な気象観測におけるその場観測の利点について述べる。
私たちの研究は、AIベースの天気予報研究を、よりアプリケーション中心で運用対応のアプローチへと進めることを目的としています。
論文 参考訳(メタデータ) (2024-09-14T08:53:46Z) - Neural Networks with LSTM and GRU in Modeling Active Fires in the Amazon [0.0]
本研究は,ブラジルのアマゾンにあるAQUA_M-T衛星によって検出された活動点の歴史的時系列をモデル化し,予測するための包括的方法論を提案する。
このアプローチでは、Long Short-Term Memory(LSTM)とGated Recurrent Unit(GRU)アーキテクチャを組み合わせた混合リカレントニューラルネットワーク(RNN)モデルを採用して、毎日検出されたアクティブファイアスポットの月次蓄積を予測する。
論文 参考訳(メタデータ) (2024-09-04T13:11:59Z) - SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。
伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。
本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
論文 参考訳(メタデータ) (2024-05-29T08:00:15Z) - Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
本稿では,天気予報をより微細なテンポラルスケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。
具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。
我々は、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークを導入する。
論文 参考訳(メタデータ) (2024-05-22T16:21:02Z) - Application of Long-Short Term Memory and Convolutional Neural Networks for Real-Time Bridge Scour Prediction [0.0]
我々は,過去のセンサモニタリングデータに基づいて,橋脚周辺の深度変化を予測するために,ディープラーニングアルゴリズムの力を利用する。
本研究では,Long Short-Term Memory (LSTM) モデルとConvolutional Neural Network (CNN) モデルの性能について検討した。
論文 参考訳(メタデータ) (2024-04-25T12:04:36Z) - 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) - 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 [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) - A case study of spatiotemporal forecasting techniques for weather forecasting [4.347494885647007]
実世界のプロセスの相関は時間的であり、それらによって生成されたデータは空間的および時間的進化の両方を示す。
時系列モデルが数値予測の代替となる。
本研究では,分解時間予測モデルにより計算コストを低減し,精度を向上することを示した。
論文 参考訳(メタデータ) (2022-09-29T13:47:02Z)
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。