論文の概要: Frost Prediction Using Machine Learning Methods in Fars Province
- arxiv url: http://arxiv.org/abs/2401.11462v1
- Date: Sun, 21 Jan 2024 11:02:00 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-23 16:20:45.091328
- Title: Frost Prediction Using Machine Learning Methods in Fars Province
- Title（参考訳）: ファース州における機械学習手法による凍害予測
- Authors: Milad Barooni, Koorush Ziarati, Ali Barooni
- Abstract要約: 凍り、冷えまたは凍結は、気象学と農業において一般的な危険と問題の一つである。
食品農業機関(FAO)は、最低気温を予測できるが、時間内には予測できない実証的な方法を提供している。
本研究では, Gated Recurrent Unit (GRU), Temporal Convolutional Network (TCN), Gradient Boosting (XGBoost) の3つの手法を用いた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: One of the common hazards and issues in meteorology and agriculture is the
problem of frost, chilling or freezing. This event occurs when the minimum
ambient temperature falls below a certain value. This phenomenon causes a lot
of damage to the country, especially Fars province. Solving this problem
requires that, in addition to predicting the minimum temperature, we can
provide enough time to implement the necessary measures. Empirical methods have
been provided by the Food and Agriculture Organization (FAO), which can predict
the minimum temperature, but not in time. In addition to this, we can use
machine learning methods to model the minimum temperature. In this study, we
have used three methods Gated Recurrent Unit (GRU), Temporal Convolutional
Network (TCN) as deep learning methods, and Gradient Boosting (XGBoost). A
customized loss function designed for methods based on deep learning, which can
be effective in reducing prediction errors. With methods based on deep learning
models, not only do we observe a reduction in RMSE error compared to empirical
methods but also have more time to predict minimum temperature. Thus, we can
model the minimum temperature for the next 24 hours by having the current 24
hours. With the gradient boosting model (XGBoost) we can keep the prediction
time as deep learning and RMSE error reduced. Finally, we experimentally
concluded that machine learning methods work better than empirical methods and
XGBoost model can have better performance in this problem among other
implemented.
- Abstract（参考訳）: 気象学と農業における一般的な危険と問題のひとつは、凍土、凍結、凍結の問題である。
この現象は、最小環境温度が一定の値を下回ったときに起こる。
この現象は国内、特にファーズ州に多くの被害をもたらしている。
この問題を解決するには、最低温度の予測に加えて、必要な対策を実施するのに十分な時間を与える必要がある。
食品農業機関(FAO)は、最低気温を予測できるが、時間内には予測できない実証的な方法を提供している。
これに加えて、最小温度をモデル化する機械学習手法も利用可能である。
本研究では, Gated Recurrent Unit (GRU), Temporal Convolutional Network (TCN), Gradient Boosting (XGBoost) の3つの手法を用いた。
深層学習に基づく手法に最適化された損失関数を設計し,予測誤差の低減に有効である。
深層学習モデルに基づく手法では,経験的手法に比べてrmse誤差の低減が観察されるだけでなく,最低温度を予測できる時間も大きい。
したがって、現在の24時間を持つことで、次の24時間最小温度をモデル化することができる。
勾配向上モデル(XGBoost)では,ディープラーニングやRMSEエラーの低減とともに予測時間を維持できる。
最後に,機械学習の手法は経験的手法よりもうまく機能し,XGBoostモデルは,他の実装よりも優れた性能が得られることを実験的に結論づけた。
関連論文リスト
- To Cool or not to Cool? Temperature Network Meets Large Foundation Models via DRO [68.69840111477367]
LFMを改善するために,小型だが一般化可能な温度予測ネットワーク(TempNet)を学習するための基本的枠組みを提案する。
LLMとCLIPモデルに関する我々の実験は、TempNetが既存のソリューションやモデルの性能を大幅に改善することを示した。
論文 参考訳（メタデータ） (2024-04-06T09:55:03Z) - 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) - Temperature Balancing, Layer-wise Weight Analysis, and Neural Network
Training [58.20089993899729]
本稿では,直感的で効果的な階層学習手法であるTempBalanceを提案する。
我々は、TempBalanceが通常のSGDと注意深く調整されたスペクトルノルム正規化より著しく優れていることを示す。
また、TempBalanceは最先端のメトリクスやスケジューラよりも優れています。
論文 参考訳（メタデータ） (2023-12-01T05:38:17Z) - Learning to Scale Logits for Temperature-Conditional GFlowNets [77.36931187299896]
温度条件付きGFlowNetのトレーニングを大幅に高速化する新しいアーキテクチャ設計である textitLogit-scaling GFlowNets (Logit-GFN) を提案する。
温度の学習関数がポリシーのロジットを直接スケールするために使用されると、課題は大幅に減少する。
論文 参考訳（メタデータ） (2023-10-04T13:45:56Z) - Evaluating Loss Functions and Learning Data Pre-Processing for Climate
Downscaling Deep Learning Models [0.0]
気候下降の文脈における深層学習モデルに対する損失関数と非線形データ前処理法の効果について検討した。
その結果,L1の損失やL2の損失は,降水データのような不均衡なデータではL1の損失よりも有意に優れていることがわかった。
論文 参考訳（メタデータ） (2023-06-19T19:58:42Z) - A Machine Learning Outlook: Post-processing of Global Medium-range
Forecasts [0.0]
後処理は通常、数値気象予測(NWP)モデルの出力を受け取り、線形統計手法を適用する。
本研究では, 温度850hPaで7日間の予測において, 最大12%(RMSE)の精度向上を達成できることを示す。
我々は、ルート平均二乗誤差 (RMSE) や異常相関係数 (ACC) といった標準メトリクスを使用する際の課題について議論する。
論文 参考訳（メタデータ） (2023-03-28T20:48:01Z) - Forecasting subcritical cylinder wakes with Fourier Neural Operators [58.68996255635669]
実験によって測定された速度場の時間的変化を予測するために,最先端の演算子学習手法を適用した。
その結果、FNOはレイノルズ数の範囲で実験速度場の進化を正確に予測できることがわかった。
論文 参考訳（メタデータ） (2023-01-19T20:04:36Z) - Global Extreme Heat Forecasting Using Neural Weather Models [0.0]
熱波は地球温暖化に伴う頻度と重症度の増加を予測している。
本研究では,過去データに基づいて学習した深層学習システムが,短・中・下季節の時間スケールで極端な熱を予測できる可能性を探る。
論文 参考訳（メタデータ） (2022-05-23T00:35:23Z) - Imputation-Free Learning from Incomplete Observations [73.15386629370111]
本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。
バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。
我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
論文 参考訳（メタデータ） (2021-07-05T12:44:39Z) - Comparison between ARIMA and Deep Learning Models for Temperature
Forecasting [0.0]
本稿では,ARIMA(Auto Regressive Integrated Average)モデルとディープラーニングモデルを比較し,温度を推定する。
実験結果によると,ディープラーニングモデルは従来のARIMA手法よりも優れた性能を示した。
論文 参考訳（メタデータ） (2020-11-09T14:21:46Z) - Thermal Prediction for Efficient Energy Management of Clouds using
Machine Learning [31.735983199708013]
プライベートクラウドからのデータを分析し、熱的変動の存在を示す。
温度予測のための勾配強化機械学習モデルを提案する。
さらに,ホストのピーク温度を最小化する動的スケジューリングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-11-07T00:55:47Z)
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。