論文の概要: DSAF: A Dual-Stage Adaptive Framework for Numerical Weather Prediction
Downscaling
- arxiv url: http://arxiv.org/abs/2312.12476v1
- Date: Tue, 19 Dec 2023 13:13:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-21 18:27:19.742734
- Title: DSAF: A Dual-Stage Adaptive Framework for Numerical Weather Prediction
Downscaling
- Title(参考訳): DSAF:数値気象予測ダウンスケーリングのための2段階適応フレームワーク
- Authors: Pengwei Liu, Wenwei Wang, Bingqing Peng, Binqing Wu and Liang Sun
- Abstract要約: 局所的なNWPダウンスケーリングとバイアス補正に対処する新しい枠組みを提案する。
Dual-Stage Adaptive Framework (DSAF) はその設計に適応的な要素を組み込んで、進化する気象条件に対する柔軟な応答を保証する。
- 参考スコア(独自算出の注目度): 6.990912650604992
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While widely recognized as one of the most substantial weather forecasting
methodologies, Numerical Weather Prediction (NWP) usually suffers from
relatively coarse resolution and inevitable bias due to tempo-spatial
discretization, physical parametrization process, and computation limitation.
With the roaring growth of deep learning-based techniques, we propose the
Dual-Stage Adaptive Framework (DSAF), a novel framework to address regional NWP
downscaling and bias correction tasks. DSAF uniquely incorporates adaptive
elements in its design to ensure a flexible response to evolving weather
conditions. Specifically, NWP downscaling and correction are well-decoupled in
the framework and can be applied independently, which strategically guides the
optimization trajectory of the model. Utilizing a multi-task learning mechanism
and an uncertainty-weighted loss function, DSAF facilitates balanced training
across various weather factors. Additionally, our specifically designed
attention-centric learnable module effectively integrates geographic
information, proficiently managing complex interrelationships. Experimental
validation on the ECMWF operational forecast (HRES) and reanalysis (ERA5)
archive demonstrates DSAF's superior performance over existing state-of-the-art
models and shows substantial improvements when existing models are augmented
using our proposed modules. Code is publicly available at
https://github.com/pengwei07/DSAF.
- Abstract(参考訳): 気象予報手法として広く認知されているが、数値気象予報(NWP)は通常、時間空間の離散化、物理パラメトリゼーション、計算の制限により、比較的粗い解像度と避けられない偏差に悩まされている。
深層学習技術の普及に伴い,地域NWPダウンスケーリングとバイアス補正に対処する新たなフレームワークであるDual-Stage Adaptive Framework (DSAF)を提案する。
DSAFはその設計に適応的な要素を独自に組み込んで、進化する気象条件に対する柔軟な応答を保証する。
具体的には、NWPのダウンスケーリングと修正はフレームワーク内でうまく分離されており、独立して適用することができるため、モデルの最適化軌道を戦略的に導くことができる。
マルチタスク学習機構と不確実性重み付き損失関数を利用することで、DSAFは様々な気象要因のバランスの取れたトレーニングを促進する。
さらに,特に注意中心学習モジュールは,複雑な相互関係を巧みに管理し,地理的情報を効果的に統合する。
ECMWF 運用予測 (HRES) と再解析 (ERA5) に関する実験的な検証は,既存の最先端モデルよりもDSAF の方が優れた性能を示し,提案モジュールを用いて既存モデルが拡張された場合の大幅な改善を示す。
コードはhttps://github.com/pengwei07/DSAFで公開されている。
関連論文リスト
- Analyzing and Exploring Training Recipes for Large-Scale Transformer-Based Weather Prediction [1.3194391758295114]
比較的オフ・ザ・シェルフアーキテクチャ、簡単な訓練手順、適度な計算予算でも高い予測能力が得られることを示す。
具体的には、ERA5データに基づいて最小修正SwinV2変換器をトレーニングし、IFSと比較すると優れた予測技術が得られることを確かめる。
論文 参考訳(メタデータ) (2024-04-30T15:30:14Z) - Fuxi-DA: A Generalized Deep Learning Data Assimilation Framework for Assimilating Satellite Observations [15.934673617658609]
ディープラーニングモデルは、世界中のトップNWPモデルのマッチング、さらには予測精度を超越する可能性を示している。
本研究は、衛星観測を同化するための一般化されたDLベースのDAフレームワークであるFuxiDAを紹介する。
Fengyun-4Bに搭載されたAdvanced Geosynchronous Radiation Imager(AGRI)のデータを同調することにより、FuXi-DAは解析誤差を一貫して軽減し、予測性能を大幅に改善する。
論文 参考訳(メタデータ) (2024-04-12T15:02:14Z) - UniMix: Towards Domain Adaptive and Generalizable LiDAR Semantic Segmentation in Adverse Weather [55.95708988160047]
LiDARセマンティックセグメンテーション(LSS)は自動運転において重要な課題である。
事前のLSS法は、晴れた天候下で同じ領域内のデータセットを調査・評価した。
LSSモデルの適応性と一般化性を高める普遍的手法UniMixを提案する。
論文 参考訳(メタデータ) (2024-04-08T02:02:15Z) - Stragglers-Aware Low-Latency Synchronous Federated Learning via Layer-Wise Model Updates [71.81037644563217]
同期フェデレーションラーニング(FL)は、協調エッジラーニングの一般的なパラダイムである。
一部のデバイスは計算資源が限られており、様々な可用性があるため、FLレイテンシはストラグラーに非常に敏感である。
本稿では,NNの最適化手法をバックプロパゲーションにより活用し,グローバルモデルを階層的に更新するストラグラー対応層対応学習(SALF)を提案する。
論文 参考訳(メタデータ) (2024-03-27T09:14:36Z) - Unleashing Network Potentials for Semantic Scene Completion [50.95486458217653]
本稿では,新しいSSCフレームワーク - Adrial Modality Modulation Network (AMMNet)を提案する。
AMMNetは、モダリティ間の勾配流の相互依存性を可能にするクロスモーダル変調と、動的勾配競争を利用するカスタマイズされた逆トレーニングスキームの2つのコアモジュールを導入している。
AMMNetは最先端のSSC法よりも大きなマージンで優れていた。
論文 参考訳(メタデータ) (2024-03-12T11:48:49Z) - InferAligner: Inference-Time Alignment for Harmlessness through
Cross-Model Guidance [56.184255657175335]
我々は,無害アライメントのためのクロスモデルガイダンスを利用する新しい推論時間アライメント手法であるtextbfInferAligner を開発した。
実験結果から,本手法はファイナンス,医学,数学の分野特化モデルに極めて効果的に適用可能であることが示された。
これは有害な命令とジェイルブレイク攻撃の両方のアタック成功率(ASR)を著しく低下させ、下流タスクではほとんど変化のないパフォーマンスを維持している。
論文 参考訳(メタデータ) (2024-01-20T10:41:03Z) - Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field
and Online Inference [50.91823345296243]
我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。
EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。
得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
論文 参考訳(メタデータ) (2023-12-10T15:22:30Z) - Learn from the Past: A Proxy Guided Adversarial Defense Framework with
Self Distillation Regularization [53.04697800214848]
敵対的訓練(AT)は、ディープラーニングモデルの堅牢性を固める上で重要な要素である。
AT方式は、目標モデルの防御のために直接反復的な更新を頼りにしており、不安定な訓練や破滅的なオーバーフィッティングといった障害に頻繁に遭遇する。
汎用プロキシガイド型防衛フレームワークLAST(bf Pbf astから学ぶ)を提案する。
論文 参考訳(メタデータ) (2023-10-19T13:13:41Z) - AR-TTA: A Simple Method for Real-World Continual Test-Time Adaptation [16.85284386728494]
本稿では,自律運転のためのデータセット,すなわちCLAD-CとShiFTを用いたテスト時間適応手法の検証を提案する。
現在のテスト時間適応手法は、ドメインシフトの様々な程度を効果的に扱うのに苦労している。
提案手法はAR-TTAと呼ばれ、合成およびより現実的なベンチマークにおいて既存の手法よりも優れている。
論文 参考訳(メタデータ) (2023-09-18T19:34:23Z) - DA-LSTM: A Dynamic Drift-Adaptive Learning Framework for Interval Load
Forecasting with LSTM Networks [1.3342521220589318]
ドリフト等級閾値は、ドリフトを識別するための変化検出方法を設計するために定義されるべきである。
本稿では,負荷予測モデルの性能向上を図るための動的ドリフト適応長短期メモリ(DA-LSTM)フレームワークを提案する。
論文 参考訳(メタデータ) (2023-05-15T16:26:03Z) - Optimized ensemble deep learning framework for scalable forecasting of
dynamics containing extreme events [0.0]
2つの機械学習技術は、モデルの精度、安定性、スケーラビリティを相乗的に改善し、ダイナミクスの予測において新しい応用の波を促すために共同で使用される。
フィードフォワードニューラルネットワーク、貯水池コンピューティング、長期記憶の最良の凸結合に基づくOEDLモデルは、極端な事象からなるダイナミクスの予測を前進させる上で重要な役割を果たす。
論文 参考訳(メタデータ) (2021-06-09T10:59:41Z)
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。