論文の概要: TPTNet: A Data-Driven Temperature Prediction Model Based on Turbulent Potential Temperature

• arxiv url: http://arxiv.org/abs/2312.14980v1
• Date: Fri, 22 Dec 2023 01:02:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-27 20:22:32.688239
• Title: TPTNet: A Data-Driven Temperature Prediction Model Based on Turbulent Potential Temperature
• Title（参考訳）: TPTNet:乱流電位温度に基づくデータ駆動温度予測モデル
• Authors: Jun Park and Changhoon Lee
• Abstract要約: 数値気象予測(NWP)の計算負担を軽減するため,ニューラルネットワークを用いた表面温度予測のためのデータ駆動モデルを提案した。 TPTNetと命名された我々のモデルは, 気象観測所で観測された2mの温度のみを用いて, 限られた予報時間における局部温度の予測を行う。
• 参考スコア（独自算出の注目度）: 0.7575778450247893
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A data-driven model for predicting the surface temperature using neural networks was proposed to alleviate the computational burden of numerical weather prediction (NWP). Our model, named TPTNet uses only 2m temperature measured at the weather stations of the South Korean Peninsula as input to predict the local temperature at finite forecast hours. The turbulent fluctuation component of the temperature was extracted from the station measurements by separating the climatology component accounting for the yearly and daily variations. The effect of station altitude was then compensated by introducing a potential temperature. The resulting turbulent potential temperature data at irregularly distributed stations were used as input for predicting the turbulent potential temperature at forecast hours through three trained networks based on convolutional neural network (CNN), Swin Transformer, and a graphic neural network (GNN). The prediction performance of our network was compared with that of persistence and NWP, confirming that our model outperformed NWP for up to 12 forecast hours.
• Abstract（参考訳）: 数値気象予測(NWP)の計算負担を軽減するため,ニューラルネットワークを用いた表面温度予測のためのデータ駆動モデルを提案した。 TPTNetと命名された我々のモデルは, 気象観測所で観測された2mの温度のみを用いて, 限られた予報時間における局部温度の予測を行う。 年間および毎日の変動を考慮した気候成分を分離し, 観測値から温度の乱流変動成分を抽出した。 ステーション高度の影響は、潜在的な温度を導入することで補償された。 その結果得られた不規則分布局の乱流電位温度データは、畳み込みニューラルネットワーク(cnn)、スウィントランス、グラフィックニューラルネットワーク(gnn)に基づいて、3つの訓練されたネットワークを通して予測時間における乱流電位温度を予測する入力として用いられた。 ネットワークの予測性能はpersistenceとnwpと比較され、モデルが最大12時間nwpを上回ったことを確認した。

関連論文リスト

• Data-driven rainfall prediction at a regional scale: a case study with Ghana [4.028179670997471]
  最先端の数値天気予報(NWP)モデルは、アフリカの熱帯地域で熟練した降雨予測を作成するのに苦労している。 2つのU-Net畳み込みニューラルネットワーク(CNN)モデルを開発し、12時間と30時間リード時の24時間降雨を予測する。 また,従来のNWPモデルとデータ駆動モデルを組み合わせることにより,予測精度が向上することがわかった。
  論文  参考訳（メタデータ） (2024-10-17T22:07:53Z)
• Multi-modal graph neural networks for localized off-grid weather forecasting [3.890177521606208]
  機械学習や数値気象モデルによる天気予報製品は、現在、グローバル・レギュラー・グリッドで作成されている。 本研究では、異種グラフニューラルネットワーク(GNN)をエンドツーエンドにトレーニングし、グリッド化された予測をダウンスケールして、関心のある場所をオフグリッドする。 提案手法は,グローバルな大規模気象モデルと局所的高精度な予測とのギャップを橋渡しして,局所的な意思決定に役立てることができることを示す。
  論文  参考訳（メタデータ） (2024-10-16T18:25:43Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• 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)
• Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast [91.9372563527801]
  我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。 初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。 Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
  論文  参考訳（メタデータ） (2022-11-03T17:19:43Z)
• 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)
• Statistical Post-processing for Gridded Temperature Forecasts Using Encoder-Decoder Based Deep Convolutional Neural Networks [0.0]
  日本気象庁(JMA)は積雪量と降水量を予測するための格子状温度誘導を運用している。 NWPモデルが前線の位置を正確に予測しなかったり、観測温度が極端に寒かったり暑かったりした場合、温度の補正は困難であった。 本稿では,関東地方の表面温度を予測するために,エンコーダデコーダ型畳み込みニューラルネットワーク(cnns)を用いた。
  論文  参考訳（メタデータ） (2021-03-02T05:28:31Z)
• Physics-Informed Gaussian Process Regression for Probabilistic States Estimation and Forecasting in Power Grids [67.72249211312723]
  電力グリッドの効率的な運転にはリアルタイム状態推定と予測が不可欠である。 PhI-GPRは3世代電力系統の位相角,角速度,風力の予測と推定に使用される。 提案手法は観測された状態と観測されていない状態の両方を正確に予測し,推定することができることを示す。
  論文  参考訳（メタデータ） (2020-10-09T14:18:31Z)
• A Deep Convolutional Neural Network Model for improving WRF Forecasts [0.19573380763700707]
  我々は4年間の歴史を持つCNNモデル(2014-2017)をトレーニングし、WRFバイアスのパターンについて検討する。 次に, 風速, 方向, 降水量, 相対湿度, 表面圧力, 露点温度, 表面温度の予測値において, これらのバイアスを低減させる。 その結果,全駅でWRF予測が顕著に改善したことが示唆された。
  論文  参考訳（メタデータ） (2020-08-14T17:48:06Z)
• A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
  本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。 提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
  論文  参考訳（メタデータ） (2020-06-13T20:53:17Z)

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。