論文の概要: AdaNAS: Adaptively Post-processing with Self-supervised Neural
Architecture Search for Ensemble Rainfall Forecasts
- arxiv url: http://arxiv.org/abs/2312.16046v2
- Date: Sun, 4 Feb 2024 06:43:43 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-07 03:31:55.838326
- Title: AdaNAS: Adaptively Post-processing with Self-supervised Neural
Architecture Search for Ensemble Rainfall Forecasts
- Title(参考訳): adanas: 自己教師付きニューラルネットワークによる適応的後処理による降雨予測
- Authors: Yingpeng Wen, Weijiang Yu, Fudan Zheng, Dan Huang, Nong Xiao
- Abstract要約: 本稿では,降雨予知処理と降雨予測を高精度に行う自己教師型ニューラルネットワークサーチ(NAS)手法を提案する。
さらに,降雨エリアの予測を著しく改善する雨量対応検索空間を設計する。
EmphNone、emphLight、emphModerate、emphHeavy、emphViolentの大規模な降水ベンチマークで検証実験が行われた。
- 参考スコア(独自算出の注目度): 16.723190233704432
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Previous post-processing studies on rainfall forecasts using numerical
weather prediction (NWP) mainly focus on statistics-based aspects, while
learning-based aspects are rarely investigated. Although some manually-designed
models are proposed to raise accuracy, they are customized networks, which need
to be repeatedly tried and verified, at a huge cost in time and labor.
Therefore, a self-supervised neural architecture search (NAS) method without
significant manual efforts called AdaNAS is proposed in this study to perform
rainfall forecast post-processing and predict rainfall with high accuracy. In
addition, we design a rainfall-aware search space to significantly improve
forecasts for high-rainfall areas. Furthermore, we propose a rainfall-level
regularization function to eliminate the effect of noise data during the
training. Validation experiments have been performed under the cases of
\emph{None}, \emph{Light}, \emph{Moderate}, \emph{Heavy} and \emph{Violent} on
a large-scale precipitation benchmark named TIGGE. Finally, the average
mean-absolute error (MAE) and average root-mean-square error (RMSE) of the
proposed AdaNAS model are 0.98 and 2.04 mm/day, respectively. Additionally, the
proposed AdaNAS model is compared with other neural architecture search methods
and previous studies. Compared results reveal the satisfactory performance and
superiority of the proposed AdaNAS model in terms of precipitation amount
prediction and intensity classification. Concretely, the proposed AdaNAS model
outperformed previous best-performing manual methods with MAE and RMSE
improving by 80.5\% and 80.3\%, respectively.
- Abstract(参考訳): 数値気象予報(NWP)を用いた降雨予測の過去の処理後調査では,統計に基づく側面が中心であったが,学習に基づく側面はめったに研究されていない。
手作業で設計したいくつかのモデルは精度を上げるために提案されているが、ネットワークをカスタマイズし、繰り返し試して検証する必要がある。
そこで本研究では,AdaNASと呼ばれる手作業を伴わない自己教師型ニューラルネットワーク探索手法を提案し,降雨予報を行い,高精度に降雨予測を行う。
さらに,降雨エリアの予測を大幅に改善する雨量対応検索空間を設計する。
さらに,訓練中の騒音データの影響をなくすための降雨レベル正規化関数を提案する。
TIGGEと命名された大規模な降水ベンチマーク上で, \emph{None}, \emph{Light}, \emph{Moderate}, \emph{Heavy}, \emph{Violent} の検証実験が行われた。
最後に,提案したAdaNASモデルの平均平均平均二乗誤差(MAE)と平均根平均二乗誤差(RMSE)はそれぞれ0.98mm/日である。
さらに、提案したAdaNASモデルは、他のニューラルネットワーク探索手法や過去の研究と比較される。
比較の結果,降水量予測と強度分類の観点から,提案モデルの性能と優越性が明らかとなった。
具体的には, AdaNAS モデルでは, MAE と RMSE を 80.5\% と 80.3\% に改善した。
関連論文リスト
- Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳(メタデータ) (2024-01-22T14:02:56Z) - Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。
提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
論文 参考訳(メタデータ) (2023-11-30T08:22:08Z) - PostRainBench: A comprehensive benchmark and a new model for
precipitation forecasting [15.937786723800883]
AIベースの後処理技術を従来の数値気象予測(NWP)手法と組み合わせることで、予測精度を向上させるためのより効果的なソリューションを提供する。
重み付き損失関数を特別に設計した,シンプルで効果的なチャネル注意強化マルチタスク学習フレームワークであるCAMTを提案する。
我々のモデルは、極度の降水条件下で従来のNWPアプローチを上回る、初めてのディープラーニングベースの手法である。
論文 参考訳(メタデータ) (2023-10-04T09:27:39Z) - Long-term drought prediction using deep neural networks based on
geospatial weather data [78.63225885697149]
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。
多様な時間的ニューラルネットワークモデルを用いたエンドツーエンドアプローチを導入することで、干ばつデータに対処する。
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) - 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) - Data-Based Models for Hurricane Evolution Prediction: A Deep Learning
Approach [0.0]
ここで提示される多対多のRNN嵐軌道予測モデルは、NHCが使用するアンサンブルモデルよりもはるかに高速である。
モデル予測誤差の詳細な解析により,多対一予測モデルは複合的エラー蓄積による多対多予測モデルよりも精度が低いことが示された。
論文 参考訳(メタデータ) (2021-10-30T00:31:48Z) - Rainfall-runoff prediction using a Gustafson-Kessel clustering based
Takagi-Sugeno Fuzzy model [0.0]
降雨流出モデルは、物理的アプローチまたはシステムベースのアプローチを用いて表面流出を予測する。
本稿では,Gustafson-Kesselクラスタリングに基づくTS Fuzzyモデルを用いた降雨流出モデルを提案する。
論文 参考訳(メタデータ) (2021-08-22T10:02:51Z) - 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) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳(メタデータ) (2021-07-14T21:10:47Z) - From Rain Generation to Rain Removal [67.71728610434698]
雨層を生成物としてパラメータ化した雨画像のためのベイズ生成モデルを構築した。
降雨画像の統計的分布を推定するために,変分推論の枠組みを用いる。
総合的な実験により,提案モデルが複雑な降雨分布を忠実に抽出できることが確認された。
論文 参考訳(メタデータ) (2020-08-08T18:56:51Z) - SmaAt-UNet: Precipitation Nowcasting using a Small Attention-UNet
Architecture [5.28539620288341]
データ駆動型ニューラルネットワークのアプローチにより,正確な降水量を推定できることが示唆された。
オランダ地域の降水マップとフランスのクラウドカバレッジのバイナリ画像を用いて、実際のデータセットに対する我々のアプローチを評価した。
論文 参考訳(メタデータ) (2020-07-08T20:33:10Z)
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。