論文の概要: Machine learning for uncertainty estimation in fusing precipitation
observations from satellites and ground-based gauges
- arxiv url: http://arxiv.org/abs/2311.07511v1
- Date: Mon, 13 Nov 2023 17:55:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-14 13:07:30.603817
- Title: Machine learning for uncertainty estimation in fusing precipitation
observations from satellites and ground-based gauges
- Title(参考訳): 衛星・地上観測観測における不確実性推定のための機械学習
- Authors: Georgia Papacharalampous, Hristos Tyralis, Nikolaos Doulamis,
Anastasios Doulamis
- Abstract要約: 予測不確実性定量化に適した6人の学習者を比較した。
光GBM, QRF, GRF, GBM, QRNN, QRNN。
- 参考スコア(独自算出の注目度): 4.2193475197905705
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: To form precipitation datasets that are accurate and, at the same time, have
high spatial densities, data from satellites and gauges are often merged in the
literature. However, uncertainty estimates for the data acquired in this manner
are scarcely provided, although the importance of uncertainty quantification in
predictive modelling is widely recognized. Furthermore, the benefits that
machine learning can bring to the task of providing such estimates have not
been broadly realized and properly explored through benchmark experiments. The
present study aims at filling in this specific gap by conducting the first
benchmark tests on the topic. On a large dataset that comprises 15-year-long
monthly data spanning across the contiguous United States, we extensively
compared six learners that are, by their construction, appropriate for
predictive uncertainty quantification. These are the quantile regression (QR),
quantile regression forests (QRF), generalized random forests (GRF), gradient
boosting machines (GBM), light gradient boosting machines (LightGBM) and
quantile regression neural networks (QRNN). The comparison referred to the
competence of the learners in issuing predictive quantiles at nine levels that
facilitate a good approximation of the entire predictive probability
distribution, and was primarily based on the quantile and continuous ranked
probability skill scores. Three types of predictor variables (i.e., satellite
precipitation variables, distances between a point of interest and satellite
grid points, and elevation at a point of interest) were used in the comparison
and were additionally compared with each other. This additional comparison was
based on the explainable machine learning concept of feature importance. The
results suggest that the order from the best to the worst of the learners for
the task investigated is the following: LightGBM, QRF, GRF, GBM, QRNN and QR...
- Abstract(参考訳): 正確な降水データセットを形成すると同時に、高い空間密度を持つため、衛星やゲージのデータはしばしば文献にマージされる。
しかし、予測モデルにおける不確実性定量化の重要性は広く認識されているが、この方法で得られたデータの不確実性推定はほとんど提供されていない。
さらに、このような見積もりを提供するタスクに機械学習がもたらす利点は、ベンチマーク実験を通じて広く実現され、適切に調査されていない。
本研究では,このトピックに関する最初のベンチマークテストを実施することで,このギャップを埋めることを目的とする。
連続した米国にまたがる15年間の月次データからなる大規模なデータセットにおいて、予測の不確実性定量化に適した6人の学習者を比較した。
これらは、quantile regression (qr)、quantile regression forests (qrf)、generalized random forests (grf)、gradient boosting machines (gbm)、light gradient boosting machines (lightgbm)、quantile regression neural networks (qrnn)である。
比較は、予測確率分布全体の近似を容易にする9段階の予測分位数を発行する学習者の能力を示し、主に分位数と連続的なランク付け確率スキルスコアに基づいていた。
3種類の予測変数(衛星の降水変数、関心点と衛星グリッド点の間の距離、関心点の上昇)が比較に使われ、さらに比較された。
この追加比較は、特徴の重要性に関する説明可能な機械学習の概念に基づいている。
その結果、調査対象の学習者のベストから最悪の順は、LightGBM, QRF, GRF, GBM, QRNN, そしてQRNNだ。
関連論文リスト
- Uncertainty estimation in spatial interpolation of satellite precipitation with ensemble learning [3.8623569699070353]
本研究では,9つの量子化に基づくアンサンブル学習装置を導入し,大規模な降水データセットに適用する。
私たちのアンサンブル学習者は6つの積み重ねと3つの簡単な方法(平均、中央値、最良の組み合わせ)を含む。
QRとQRNNで積み重ねると、量子レベルの関心事で最高の結果が得られる。
論文 参考訳(メタデータ) (2024-03-14T17:45:56Z) - Minimally Supervised Learning using Topological Projections in
Self-Organizing Maps [55.31182147885694]
自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。
提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。
提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
論文 参考訳(メタデータ) (2024-01-12T22:51:48Z) - Ensemble learning for blending gridded satellite and gauge-measured
precipitation data [4.2193475197905705]
本研究では,衛星降雨物の精度を向上させるため,11種類の新しいアンサンブル学習者を提案する。
PERSIANNとIMERGのグリッド化されたデータセットから月次データにアンサンブル学習者を適用する。
また,グローバル・ヒストリカル・クリマトロジー・ネットワークの月次データベースからの降水量測定データを用いた。
論文 参考訳(メタデータ) (2023-07-09T17:54:46Z) - Collaborative Learning with a Drone Orchestrator [79.75113006257872]
インテリジェントな無線デバイス群は、ドローンの助けを借りて共有ニューラルネットワークモデルを訓練する。
提案したフレームワークは,トレーニングの大幅な高速化を実現し,ドローンホバリング時間の平均24%と87%の削減を実現している。
論文 参考訳(メタデータ) (2023-03-03T23:46:25Z) - Merging satellite and gauge-measured precipitation using LightGBM with
an emphasis on extreme quantiles [7.434517639563671]
空間と時間の実際の降水を知ることは、水文モデリングの応用において重要である。
グリッド化された衛星降水データセットは、実際の降水量を推定する代替オプションを提供する。
降水量の予測を改善するため、雨量計に基づく計測と格子状衛星降水生成物の統合に機械学習を適用した。
論文 参考訳(メタデータ) (2023-02-02T20:03:21Z) - Comparison of machine learning algorithms for merging gridded satellite
and earth-observed precipitation data [7.434517639563671]
我々は,グローバル・ヒストリカル・クリマトロジー・ネットワークの月次降水データ,バージョン2。
その結果,2乗誤差スコアリング関数が最も正確であることが示唆された。
論文 参考訳(メタデータ) (2022-12-17T09:39:39Z) - Rethinking Spatial Invariance of Convolutional Networks for Object
Counting [119.83017534355842]
局所連結ガウス核を用いて元の畳み込みフィルタを置き換え、密度写像の空間位置を推定する。
従来の研究から着想を得て,大規模なガウス畳み込みの近似を好意的に実装するために,翻訳不変性を伴う低ランク近似を提案する。
提案手法は,他の最先端手法を著しく上回り,物体の空間的位置の有望な学習を実現する。
論文 参考訳(メタデータ) (2022-06-10T17:51:25Z) - ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked
Models [56.21470608621633]
本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。
提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。
生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
論文 参考訳(メタデータ) (2021-05-07T11:39:05Z) - Flexible Model Aggregation for Quantile Regression [92.63075261170302]
量子回帰は、予測の不確実性を定量化する必要性によって動機付けられた統計学習の基本的な問題である。
条件付き量子モデルの任意の数を集約する手法について検討する。
この論文で検討するモデルはすべて、現代のディープラーニングツールキットに適合します。
論文 参考訳(メタデータ) (2021-02-26T23:21:16Z) - Regularization Strategies for Quantile Regression [8.232258589877942]
連続的な量子の分布に対するピンボール損失を最小化することは、特定の量子の予測のみを行う場合でも良い正則化器であることを示す。
格子モデルにより予測された分布を位置スケールの族に正規化できることを示す。
論文 参考訳(メタデータ) (2021-02-09T21:10:35Z) - APQ: Joint Search for Network Architecture, Pruning and Quantization
Policy [49.3037538647714]
本稿では,リソース制約のあるハードウェア上での効率的なディープラーニング推論のためのAPQを提案する。
ニューラルアーキテクチャ、プルーニングポリシー、量子化ポリシーを別々に検索する従来の方法とは異なり、我々はそれらを共同で最適化する。
同じ精度で、APQはMobileNetV2+HAQよりもレイテンシ/エネルギーを2倍/1.3倍削減する。
論文 参考訳(メタデータ) (2020-06-15T16:09:17Z)
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。