Fugu-MT 論文翻訳(概要): Zero-shot Microclimate Prediction with Deep Learning

論文の概要: Zero-shot Microclimate Prediction with Deep Learning

arxiv url: http://arxiv.org/abs/2401.02665v1
Date: Fri, 5 Jan 2024 06:46:56 GMT
ステータス: 処理完了
システム内更新日: 2024-01-08 15:58:25.451383
Title: Zero-shot Microclimate Prediction with Deep Learning
Title（参考訳）: 深層学習によるゼロショットマイクロ気候予測
Authors: Iman Deznabi, Peeyush Kumar, Madalina Fiterau
Abstract要約: そこで本研究では,新しい場所とモニタリングされていない場所での様々な気候測定を予測するためのゼロショット学習手法を提案する。本手法は,他の地理的な場所から抽出した知識を活用することで,微気候変数の予測における従来の天気予報手法を超越した手法である。
参考スコア（独自算出の注目度）: 5.335262943835543
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Weather station data is a valuable resource for climate prediction, however, its reliability can be limited in remote locations. To compound the issue, making local predictions often relies on sensor data that may not be accessible for a new, previously unmonitored location. In response to these challenges, we propose a novel zero-shot learning approach designed to forecast various climate measurements at new and unmonitored locations. Our method surpasses conventional weather forecasting techniques in predicting microclimate variables by leveraging knowledge extracted from other geographic locations.
Abstract（参考訳）: 気象観測所のデータは気象予報の貴重な資源であるが、その信頼性は遠隔地に限られる。問題を複雑にするため、ローカルな予測は、これまで監視されていなかった新しい場所にはアクセスできないセンサーデータに依存することが多い。これらの課題に応えて,新しい,監視されていない場所での様々な気候測定を予測するためのゼロショット学習手法を提案する。本手法は, 従来の気象予報手法を超越し, 他の地域から抽出した知識を活用し, 微気候変数の予測を行う。

関連論文リスト

Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region [62.09891513612252]
地域レベルのダウンストリームタスクに特化して、リミテッド・エリア・モデリングに焦点を合わせ、モデルをトレーニングします。我々は,気象予報が水資源の管理,農業,極度の気象事象の影響軽減に重要であるという,気象学的課題からMENA地域を考察する。本研究では,パラメータ効率のよい微調整手法,特にローランド適応(LoRA)とその変種を統合することの有効性を検証することを目的とした。
論文参考訳（メタデータ） (2024-09-11T19:31:56Z)
Predicting unobserved climate time series data at distant areas via spatial correlation using reservoir computing [5.008022566317949]
本研究は, 気象要素, 特に地表温度と圧力を, データ観測点から離れた目標地点で予測することに焦点を当てた。その結果,予測精度は観測地点と目標地点の距離によって低下することがわかった。
論文参考訳（メタデータ） (2024-06-05T08:39:10Z)
Back to the Future: GNN-based NO$_2$ Forecasting via Future Covariates [49.93577170464313]
都市全域にわたる地上監視ネットワークにおける大気質観測について検討する。我々は過去と将来の共変分を現在の観測に埋め込む条件付きブロックを提案する。将来の気象情報に対する条件付けは,過去の交通状況を考えるよりも影響が大きいことが判明した。
論文参考訳（メタデータ） (2024-04-08T09:13:16Z)
Transferring climate change knowledge [0.15742383563959128]
機械学習は,地球系のシミュレーションと過去の観測から得られた知識を最適に活用し,統合するために利用できることを示す。我々は最先端のアプローチに関して50%以上の不確実性削減に達している。
論文参考訳（メタデータ） (2023-09-26T09:24:53Z)
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)
Decadal Temperature Prediction via Chaotic Behavior Tracking [15.190757020779419]
決定的な温度予測は、将来の気候変動の期待される影響を定量化するための重要な情報を提供する。本研究では,温度変動の変化を追跡し,適応することを目的とした情報追跡機構を備えた新しい予測手法を提案する。以上の結果から,グローバルな地表面温度をデカダル範囲で正確に予測できることが示唆された。
論文参考訳（メタデータ） (2023-04-19T09:56:46Z)
ClimaX: A foundation model for weather and climate [51.208269971019504]
ClimaXは気象と気候科学のディープラーニングモデルである。気候データセットの自己教師型学習目標で事前トレーニングすることができる。気候や気候の様々な問題に対処するために、微調整が可能である。
論文参考訳（メタデータ） (2023-01-24T23:19:01Z)
GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
論文参考訳（メタデータ） (2022-12-24T18:15:39Z)
Intelligent Spatial Interpolation-based Frost Prediction Methodology using Artificial Neural Networks with Limited Local Data [3.3607307817827032]
本研究の目的は,凍害予測のための現場の歴史的データやセンサへの依存を解消することである。これらのモデルは、既存の気象観測所の気候データ、デジタル標高モデルサーベイ、および正規化差植生指数データを用いて、目標地点の次の1時間最低気温を推定する。
論文参考訳（メタデータ） (2022-04-15T21:14:07Z)
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)
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。