論文の概要: Comparing skill of historical rainfall data based monsoon rainfall
prediction in India with NCEP-NWP forecasts
- arxiv url: http://arxiv.org/abs/2402.07851v1
- Date: Mon, 12 Feb 2024 17:59:20 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-13 13:05:30.908288
- Title: Comparing skill of historical rainfall data based monsoon rainfall
prediction in India with NCEP-NWP forecasts
- Title（参考訳）: 歴史的降雨データに基づくインドにおけるモンスーン降雨予測とncep-nwp予測の比較
- Authors: Apoorva Narula, Aastha Jain, Jatin Batra, Sandeep Juneja
- Abstract要約: 我々は、IMDから取得したインドの1日1グリッド降水データを用いて、空間分解能1回あたり1回あたり1回あたり1.99ドルという時間帯でニューラルネットワークを訓練する。
過去の降雨データにディープラーニングを適用した予測は,NWP予測や永続性に基づく予測よりも精度が高いと結論付けた。
- 参考スコア（独自算出の注目度）: 1.7249361224827533
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this draft we consider the problem of forecasting rainfall across India
during the four monsoon months, one day as well as three days in advance. We
train neural networks using historical daily gridded precipitation data for
India obtained from IMD for the time period $1901- 2022$, at a spatial
resolution of $1^{\circ} \times 1^{\circ}$. This is compared with the numerical
weather prediction (NWP) forecasts obtained from NCEP (National Centre for
Environmental Prediction) available for the period 2011-2022. We conduct a
detailed country wide analysis and separately analyze some of the most
populated cities in India. Our conclusion is that forecasts obtained by
applying deep learning to historical rainfall data are more accurate compared
to NWP forecasts as well as predictions based on persistence. On average,
compared to our predictions, forecasts from NCEP-NWP model have about 34%
higher error for a single day prediction, and over 68% higher error for a three
day prediction. Similarly, persistence estimates report a 29% higher error in a
single day forecast, and over 54% error in a three day forecast. We further
observe that data up to 20 days in the past is useful in reducing errors of one
and three day forecasts, when a transformer based learning architecture, and to
a lesser extent when an LSTM is used. A key conclusion suggested by our
preliminary analysis is that NWP forecasts can be substantially improved upon
through more and diverse data relevant to monsoon prediction combined with
carefully selected neural network architecture.
- Abstract（参考訳）: この草案では,4モンスーン,1日,3日前におけるインド全土の降雨量予測の問題点について考察する。
我々は,imdから得られた過去の日次降水データを用いて,1^{\circ} \times 1^{\circ}$の空間分解能で,901～2022$の期間にニューラルネットワークを訓練した。
これは、2011-2022年にNCEP(National Centre for Environmental Prediction)から得られた数値天気予報(NWP)の予測と比較する。
国全体の詳細な分析を行い,インドで最も人口の多い都市を別々に分析した。
過去の降雨データにディープラーニングを適用した予測は,NWP予測や永続性に基づく予測よりも正確である,という結論が得られた。
我々の予測と比較すると、NCEP-NWPモデルによる予測は1日の予測では約34%高い誤差を持ち、3日の予測では68%以上のエラーがある。
同様に、パーシステンス推定では、1日の予測では29%、3日の予測では54%以上のエラーが報告されている。
さらに、過去20日間のデータは、1日と3日の予測の誤りを減らし、トランスフォーマーベースの学習アーキテクチャ、LSTMを使用する場合の少なさを観察する。
予備分析で示唆された重要な結論は、モンスーン予測に関連する多種多様なデータと慎重に選択されたニューラルネットワークアーキテクチャにより、NWP予測を大幅に改善できるということである。
関連論文リスト
- Machine learning models for daily rainfall forecasting in Northern Tropical Africa using tropical wave predictors [0.0]
数値気象予報(NWP)モデルは、北熱帯アフリカにおけるより単純な気候学に基づく降水予測と比較すると性能が劣ることが多い。
本研究では,ガンマ回帰モデルと熱帯波(TW)で学習した畳み込みニューラルネットワーク(CNN)の2つの機械学習モデルを用いて,7～9月のモンスーンシーズンの日降雨を予測する。
論文 参考訳（メタデータ） (2024-08-29T08:36:22Z) - Aardvark weather: end-to-end data-driven weather forecasting [30.219727555662267]
Aardvark Weatherは、エンドツーエンドのデータ駆動型天気予報システムである。
生の観測を取り込み、グローバルなグリッド化された予測とローカルステーションの予測を出力する。
興味事の量よりもパフォーマンスを最大化するために、エンドツーエンドに最適化することができる。
論文 参考訳（メタデータ） (2024-03-30T16:41:24Z) - Predicting Temperature of Major Cities Using Machine Learning and Deep
Learning [0.0]
我々は,大都市における気温変化を構成するデイトン大学が作成したデータベースを用いて,将来いつでも異なる都市の気温を予測する。
この文書には、このような予測を行うための方法論が含まれています。
論文 参考訳（メタデータ） (2023-09-23T10:23:00Z) - 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) - 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) - FengWu: Pushing the Skillful Global Medium-range Weather Forecast beyond
10 Days Lead [93.67314652898547]
人工知能(AI)に基づく高度データ駆動型中距離気象予報システムFengWuについて紹介する。
FengWuは大気力学を正確に再現し、0.25度緯度で37の垂直レベルで将来の陸と大気の状態を予測することができる。
その結果、FengWuは予測能力を大幅に向上させ、熟練した中距離気象予報を10.75日間のリードまで拡張できることがわかった。
論文 参考訳（メタデータ） (2023-04-06T09:16:39Z) - 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) - Short-term precipitation prediction using deep learning [5.1589108738893215]
気象フィールドの1つのフレームを用いた3次元畳み込みニューラルネットワークは降水空間分布を予測することができることを示す。
このネットワークは、気象学の39年 (1980-2018) のデータと、連続した米国上空の毎日の降水に基づいて開発されている。
論文 参考訳（メタデータ） (2021-10-05T06:37:24Z) - 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。