論文の概要: ExtremeCast: Boosting Extreme Value Prediction for Global Weather
Forecast
- arxiv url: http://arxiv.org/abs/2402.01295v1
- Date: Fri, 2 Feb 2024 10:34:13 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-05 15:49:47.771494
- Title: ExtremeCast: Boosting Extreme Value Prediction for Global Weather
Forecast
- Title(参考訳): ExtremeCast:グローバル気象予報における極値予測の強化
- Authors: Wanghan Xu, Kang Chen, Tao Han, Hao Chen, Wanli Ouyang, Lei Bai
- Abstract要約: 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,ExEnsembleという名称のトレーニングフリーな極値拡張戦略を導入し,画素値のばらつきを増大させ,予測ロバスト性を向上させる。
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。
- 参考スコア(独自算出の注目度): 61.138475638813354
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Data-driven weather forecast based on machine learning (ML) has experienced
rapid development and demonstrated superior performance in the global
medium-range forecast compared to traditional physics-based dynamical models.
However, most of these ML models struggle with accurately predicting extreme
weather, which is closely related to the extreme value prediction. Through
mathematical analysis, we prove that the use of symmetric losses, such as the
Mean Squared Error (MSE), leads to biased predictions and underestimation of
extreme values. To address this issue, we introduce Exloss, a novel loss
function that performs asymmetric optimization and highlights extreme values to
obtain accurate extreme weather forecast. Furthermore, we introduce a
training-free extreme value enhancement strategy named ExEnsemble, which
increases the variance of pixel values and improves the forecast robustness.
Combined with an advanced global weather forecast model, extensive experiments
show that our solution can achieve state-of-the-art performance in extreme
weather prediction, while maintaining the overall forecast accuracy comparable
to the top medium-range forecast models.
- Abstract(参考訳): 機械学習(ML)に基づくデータ駆動天気予報は、従来の物理に基づく力学モデルと比較して、急速に発展し、世界中距離予測において優れた性能を示した。
しかし、これらのMLモデルのほとんどは、極端な天気を正確に予測するのに苦労している。
数学的解析により、平均二乗誤差 (MSE) のような対称損失を用いることで、偏りのある予測や極端な値の過小評価につながることが証明される。
この問題に対処するために,非対称な最適化を行う新しい損失関数であるExlossを導入する。
さらに,ExEnsembleというトレーニング不要な極値拡張戦略を導入し,画素値のばらつきを高め,予測ロバスト性を向上させる。
先進的なグローバル気象予報モデルと組み合わせることで、我々のソリューションは極端気象予報において最先端の性能を達成でき、同時に、上位中距離予報モデルに匹敵する全体的な予測精度を維持できることを示す。
関連論文リスト
- Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
気象予報に拡散モデル(DM)を適用した新しい手法を提案する。
提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。
我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
論文 参考訳(メタデータ) (2024-02-06T21:28:42Z) - FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather
Forecasting [56.73502043159699]
この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。
低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。
2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
論文 参考訳(メタデータ) (2024-01-28T13:23:25Z) - GenCast: Diffusion-based ensemble forecasting for medium-range weather [10.94723546695464]
我々は、再分析データから学習した、アンサンブル天気予報のためのMLベースの生成モデルGenCastを紹介する。
84の気象変数に対する軌道のアンサンブルを、全世界で1度の解像度で15日間予測し、単一のクラウドTPU v4デバイスで1アンサンブルメンバー1人あたり約1分を要した。
CRPS と Ensemble-Mean RMSE の 1320 の検証対象の 96% 以上に対して,GenCast は ENS よりも熟練していることを示す。
論文 参考訳(メタデータ) (2023-12-25T19:30:06Z) - Scaling transformer neural networks for skillful and reliable
medium-range weather forecasting [24.02355555479722]
本稿では,標準変圧器バックボーンの変更を最小限に抑えつつ,気象予報の最先端性能であるStormerを紹介する。
Stormerの中核はランダムな予測目標であり、様々な時間間隔で天気のダイナミクスを予測するためにモデルを訓練する。
ウェザーベンチ2では、ストーマーは短距離から中距離の予測で競争力を発揮し、現在の手法を7日を超えて上回っている。
論文 参考訳(メタデータ) (2023-12-06T19:46:06Z) - Kunyu: A High-Performing Global Weather Model Beyond Regression Losses [0.0]
大気変数の包括的配列を0.35デグ分解能で正確に予測する,グローバルなデータ駆動型天気予報モデルであるKunyuについて紹介する。
トレーニングフレームワークにレグレッションと敵の損失が組み込まれ、クンユは明快さとリアリズムを増した予測を生成する。
論文 参考訳(メタデータ) (2023-12-04T17:30:41Z) - SEEDS: Emulation of Weather Forecast Ensembles with Diffusion Models [13.331224394143117]
不確かさの定量化は意思決定に不可欠である。
天気予報の不確実性を表す主要なアプローチは、予測の集合を生成することです。
本稿では,これらの予測を歴史的データから学習した深部生成拡散モデルを用いてエミュレートし,計算コストを補正することを提案する。
論文 参考訳(メタデータ) (2023-06-24T22:00:06Z) - 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) - DeepVol: Volatility Forecasting from High-Frequency Data with Dilated
Causal Convolutions [78.6363825307044]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。
拡張畳み込みフィルタは日内財務データから関連情報を抽出するのに最適であることを示す。
論文 参考訳(メタデータ) (2022-09-23T16:13:47Z) - 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) - Machine learning for total cloud cover prediction [0.0]
本稿では,多層パーセプトロン(MLP)ニューラルネットワーク,勾配促進機(GBM)およびランダムフォレスト(RF)法を用いた後処理の性能について検討する。
生のアンサンブルと比較して、全ての校正法は予測スキルを著しく向上させる。
RFモデルは予測性能が最小となる一方、POLRとGBMのアプローチは最良である。
論文 参考訳(メタデータ) (2020-01-16T17:13:37Z)
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。