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
- Pedestrian Trajectory Forecasting Using Deep Ensembles Under Sensing
Uncertainty [125.41260574344933]
エンコーダ・デコーダをベースとした深層アンサンブルネットワークは,認識と予測の不確実性の両方を同時に捕捉する。
全体として、深層アンサンブルはより堅牢な予測を提供し、上流の不確実性の考慮により、モデルの推定精度をさらに高めた。
論文 参考訳(メタデータ) (2023-05-26T04:27:48Z) - Spatial-temporal Prompt Learning for Federated Weather Forecasting [50.379491498793485]
フェデレート気象予報は、異なる国や地域の参加者間で気象データを分析するための有望な協調学習フレームワークである。
本稿では,多くの分散型低リソースセンサを異なる場所に配置するフェデレート環境での気象データをモデル化する。
論文 参考訳(メタデータ) (2023-05-23T16:59:20Z) - 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) - 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) - Hard-Constrained Deep Learning for Climate Downscaling [30.280862393706542]
高解像度の気候と気象データは、気候適応と緩和に関する長期的な決定を知らせるために重要である。
予測モデルは計算コストによって制限されるため、しばしば粗い解像度の予測を生成する。
深層学習からの超解像法を含む統計的ダウンスケーリングは、低分解能データをアップサンプリングする効率的な方法を提供することができる。
論文 参考訳(メタデータ) (2022-08-08T16:54:01Z) - 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) - Accurate and Clear Precipitation Nowcasting with Consecutive Attention
and Rain-map Discrimination [11.686939430992966]
本稿では,降水流の識別と注意の両方を含む新しい深層学習モデルを提案する。
このモデルは、レーダーデータと実際の雨データの両方を含む、新しく構築されたベンチマークデータセットで検討される。
論文 参考訳(メタデータ) (2021-02-16T14:22:54Z) - 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。
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。