論文の概要: Uncertainty estimation of machine learning spatial precipitation predictions from satellite data
- arxiv url: http://arxiv.org/abs/2311.07511v3
- Date: Wed, 21 Aug 2024 18:49:46 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-23 19:56:46.298423
- Title: Uncertainty estimation of machine learning spatial precipitation predictions from satellite data
- Title(参考訳): 衛星データを用いた機械学習空間降水予測の不確かさ推定
- Authors: Georgia Papacharalampous, Hristos Tyralis, Nikolaos Doulamis, Anastasios Doulamis,
- Abstract要約: 衛星データとゲージデータを機械学習と組み合わせることで、高解像度の降水データセットを生成する。
6つのアルゴリズムをベンチマークすることで、そのような推定を最適に行う方法のギャップに対処する。
本研究では,空間データ予測の不確かさを推定する機械学習アルゴリズムを提案する。
- 参考スコア(独自算出の注目度): 3.8623569699070353
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Merging satellite and gauge data with machine learning produces high-resolution precipitation datasets, but uncertainty estimates are often missing. We addressed the gap of how to optimally provide such estimates by benchmarking six algorithms, mostly novel even for the more general task of quantifying predictive uncertainty in spatial prediction settings. On 15 years of monthly data from over the contiguous United States (CONUS), we compared quantile regression (QR), quantile regression forests (QRF), generalized random forests (GRF), gradient boosting machines (GBM), light gradient boosting machine (LightGBM), and quantile regression neural networks (QRNN). Their ability to issue predictive precipitation quantiles at nine quantile levels (0.025, 0.050, 0.100, 0.250, 0.500, 0.750, 0.900, 0.950, 0.975), approximating the full probability distribution, was evaluated using quantile scoring functions and the quantile scoring rule. Predictors at a site were nearby values from two satellite precipitation retrievals, namely PERSIANN (Precipitation Estimation from Remotely Sensed Information using Artificial Neural Networks) and IMERG (Integrated Multi-satellitE Retrievals), and the site's elevation. The dependent variable was the monthly mean gauge precipitation. With respect to QR, LightGBM showed improved performance in terms of the quantile scoring rule by 11.10%, also surpassing QRF (7.96%), GRF (7.44%), GBM (4.64%) and QRNN (1.73%). Notably, LightGBM outperformed all random forest variants, the current standard in spatial prediction with machine learning. To conclude, we propose a suite of machine learning algorithms for estimating uncertainty in spatial data prediction, supported with a formal evaluation framework based on scoring functions and scoring rules.
- Abstract(参考訳): 衛星データとゲージデータを機械学習と組み合わせることで、高解像度の降水データセットが生成されるが、不確実性推定はしばしば欠落している。
空間予測設定における予測の不確かさの定量化という,より一般的なタスクであっても,6つのアルゴリズムをベンチマークすることで,そのような推定を最適に行う方法のギャップに対処した。
連続した米国(CONUS)における15年間の月次データでは、量子回帰(QRF)、量子回帰(QRF)、一般化ランダム森林(GRF)、勾配押し上げ機(GBM)、光勾配押し上げ機(LightGBM)、量子回帰ニューラルネットワーク(QRNN)を比較した。
予測降水量計を9つの量子レベル(0.025, 0.050, 0.100, 0.250, 0.500, 0.750, 0.900, 0.950, 0.975)で発行する能力について評価した。
現場の予測値は、PERSIANN(人工ニューラルネットワークを用いたリモートセンシング情報からの降水推定)とIMERG(Integrated Multi-satellitE Retrievals)の2つの衛星降水検索と、サイトの高さから得られた。
従属変数は月平均ゲージ降水量である。
QRに関して、LightGBMはQRF(7.96%)、GRF(7.44%)、GBM(4.64%)、QRNN(1.73%)を上回った。
特に、LightGBMは、機械学習による空間予測における現在の標準である、すべてのランダムな森林変種を上回りました。
そこで本研究では,空間データ予測の不確かさを推定する機械学習アルゴリズムを,スコアリング関数とスコアリングルールに基づく形式的評価フレームワークを用いて提案する。
関連論文リスト
- Uncertainty estimation in satellite precipitation spatial prediction by combining distributional regression algorithms [3.8623569699070353]
データマージによって降水データセットを作成するエンジニアリングタスクに対して,分散回帰の概念を導入する。
本研究では,空間予測だけでなく,一般の予測問題にも有用な新しいアンサンブル学習手法を提案する。
論文 参考訳(メタデータ) (2024-06-29T05:58:00Z) - Relaxed Quantile Regression: Prediction Intervals for Asymmetric Noise [51.87307904567702]
量子レグレッション(Quantile regression)は、出力の分布における量子の実験的推定を通じてそのような間隔を得るための主要なアプローチである。
本稿では、この任意の制約を除去する量子回帰に基づく区間構成の直接的な代替として、Relaxed Quantile Regression (RQR)を提案する。
これにより、柔軟性が向上し、望ましい品質が向上することが実証された。
論文 参考訳(メタデータ) (2024-06-05T13:36:38Z) - 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) - 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) - 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。