論文の概要: ResoNet: Robust and Explainable ENSO Forecasts with Hybrid Convolution
and Transformer Networks
- arxiv url: http://arxiv.org/abs/2312.10429v1
- Date: Sat, 16 Dec 2023 12:12:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-19 16:42:24.876039
- Title: ResoNet: Robust and Explainable ENSO Forecasts with Hybrid Convolution
and Transformer Networks
- Title（参考訳）: ResoNet: ハイブリッド畳み込みとトランスフォーマーネットワークを備えたロバストおよび説明可能なENSO予測
- Authors: Pumeng Lyu, Tao Tang, Fenghua Ling, Jing-Jia Luo, Niklas Boers, Wanli
Ouyang, and Lei Bai
- Abstract要約: ディープラーニングモデルは、1.5年以上前にEl Nino-Southern Oscillation(ENSO)の予測を巧みに予測することができる。
本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマーアーキテクチャを組み合わせたDLモデルResoNetを提案する。
ResoNetは、19～26ヶ月のリードタイムでESNOを確実に予測できることを示し、予測の地平線の観点から既存のアプローチよりも優れていることを示す。
- 参考スコア（独自算出の注目度）: 47.60320586459432
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent studies have shown that deep learning (DL) models can skillfully
predict the El Ni\~no-Southern Oscillation (ENSO) forecasts over 1.5 years
ahead. However, concerns regarding the reliability of predictions made by DL
methods persist, including potential overfitting issues and lack of
interpretability. Here, we propose ResoNet, a DL model that combines
convolutional neural network (CNN) and Transformer architectures. This hybrid
architecture design enables our model to adequately capture local SSTA as well
as long-range inter-basin interactions across oceans. We show that ResoNet can
robustly predict ESNO at lead times between 19 and 26 months, thus
outperforming existing approaches in terms of the forecast horizon. According
to an explainability method applied to ResoNet predictions of El Ni\~no and La
Ni\~na events from 1- to 18-month lead, we find that it predicts the Ni\~no3.4
index based on multiple physically reasonable mechanisms, such as the Recharge
Oscillator concept, Seasonal Footprint Mechanism, and Indian Ocean capacitor
effect. Moreover, we demonstrate that for the first time, the asymmetry between
El Ni\~no and La Ni\~na development can be captured by ResoNet. Our results
could help alleviate skepticism about applying DL models for ENSO prediction
and encourage more attempts to discover and predict climate phenomena using AI
methods.
- Abstract（参考訳）: 近年の研究では、ディープラーニング(DL)モデルは、1.5年以上前にEl Ni\~no-Southern Oscillation(ENSO)予測を巧みに予測できることが示されている。
しかし、DL手法による予測の信頼性に関する懸念は、潜在的な過度な問題や解釈可能性の欠如など、継続する。
本稿では,畳み込みニューラルネットワーク(cnn)とトランスフォーマーアーキテクチャを組み合わせたdlモデルであるresonetを提案する。
このハイブリッドアーキテクチャ設計により,局所的なSSTAを適切に捕捉し,海洋を横断する長距離バス間相互作用を実現することができる。
ResoNetは、19～26ヶ月のリードタイムでESNOを確実に予測できることを示し、予測の地平線の観点から既存のアプローチよりも優れていることを示す。
エルニーニョ・ノとラニーニョ・ナのレゾネット予測に1ヶ月から18ヶ月のリードで適用された説明可能性法により、リチャージオシレータの概念、季節的フットプリント機構、インド洋コンデンサ効果など、複数の物理的に妥当なメカニズムに基づいて、Ni\~ノ3.4指数を予測することが判明した。
さらに、初めて、El Ni\~no と La Ni\~na の非対称性が ResoNet によって捉えられることを示した。
我々の結果は、DLモデルをENSO予測に適用することに対する懐疑論を緩和し、AI手法を用いて気候現象を発見し予測する試みをさらに促進するのに役立ちます。
関連論文リスト
- Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
気象予報に拡散モデル(DM)を適用した新しい手法を提案する。
提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。
我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
論文 参考訳（メタデータ） (2024-02-06T21:28:42Z) - Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
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。
私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。
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) - PreDiff: Precipitation Nowcasting with Latent Diffusion Models [28.52267957954304]
確率的予測が可能な条件付き潜伏拡散モデルを開発した。
予測をドメイン固有の物理的制約と整合させるために、明示的な知識アライメント機構を組み込んだ。
論文 参考訳（メタデータ） (2023-07-19T19:19:13Z) - Human Trajectory Forecasting with Explainable Behavioral Uncertainty [63.62824628085961]
人間の軌道予測は人間の行動を理解し予測し、社会ロボットから自動運転車への応用を可能にする。
モデルフリー手法は予測精度が優れているが説明可能性に欠ける一方、モデルベース手法は説明可能性を提供するが、よく予測できない。
BNSP-SFMは,11種類の最先端手法と比較して,予測精度を最大50%向上することを示す。
論文 参考訳（メタデータ） (2023-07-04T16:45:21Z) - Convolutional GRU Network for Seasonal Prediction of the El
Ni\~no-Southern Oscillation [24.35408676030181]
本稿では,エルニーニョ南部振動(ENSO)領域時間列予測問題に対して,畳み込みGated Recurrent Unit (ConvGRU) を改良したネットワークを提案する。
提案するConvGRUネットワークはエンコーダ・デコーダシーケンス・ツー・シーケンス構造を持ち,太平洋地域の歴史的SSTマップを入力として取り込んで,その後数ヶ月間,ENSO領域内で将来のSSTマップを生成する。
その結果, ConvGRU ネットワークは LIM, AF, RNN と比較して Nino 3.4 インデックスの予測可能性を大幅に向上することがわかった。
論文 参考訳（メタデータ） (2023-06-18T00:15:45Z) - Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。
MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。
MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
論文 参考訳（メタデータ） (2023-06-06T07:07:54Z) - 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) - Nowcasting-Nets: Deep Neural Network Structures for Precipitation
Nowcasting Using IMERG [1.9860735109145415]
リカレントと畳み込み型ディープニューラルネットワーク構造を用いて、降水流の課題に対処する。
GPM (Global Precipitation Measurement, GPM) 統合マルチサテライトE(Multi-SatellitE Retrievals) を用いて、米国東部大陸の降水量データ(IMERG)を用いて、合計5つのモデルを訓練した。
また, 予測時間を最大1.5時間, フィードバックループアプローチを用いて4.5時間まで延長できるモデルについても検討した。
論文 参考訳（メタデータ） (2021-08-16T02:55:32Z) - Graph Neural Networks for Improved El Ni\~no Forecasting [0.009620910657090186]
我々は,エルニーニョ南部振動(ENSO)を長時間予測するためのグラフニューラルネットワーク(GNN)の応用を提案する。
予備的な結果は1ヶ月と3ヶ月前に予測される最先端システムよりも有望で優れています。
論文 参考訳（メタデータ） (2020-12-02T23:40:53Z) - Spatiotemporal Adaptive Neural Network for Long-term Forecasting of
Financial Time Series [0.2793095554369281]
本稿では,ディープニューラルネットワーク(DNN)が時系列予測(TS)の同時予測に利用できるかどうかを検討する。
動的因子グラフ(DFG)を用いて多変量自己回帰モデルを構築する。
ACTMでは、TSモデルの自己回帰順序を時間とともに変化させ、より大きな確率分布をモデル化することができる。
論文 参考訳（メタデータ） (2020-03-27T00:53:11Z)
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。