Fugu-MT 論文翻訳(概要): Global Tropical Cyclone Intensity Forecasting with Multi-modal Multi-scale Causal Autoregressive Model

論文の概要: Global Tropical Cyclone Intensity Forecasting with Multi-modal Multi-scale Causal Autoregressive Model

arxiv url: http://arxiv.org/abs/2402.13270v1
Date: Fri, 16 Feb 2024 15:26:33 GMT
ステータス: 処理完了
システム内更新日: 2024-02-25 16:54:15.763304
Title: Global Tropical Cyclone Intensity Forecasting with Multi-modal Multi-scale Causal Autoregressive Model
Title（参考訳）: マルチモーダルマルチスケール因果自己回帰モデルによるグローバル熱帯サイクロン強度予測
Authors: Xinyu Wang, Kang Chen, Lei Liu, Tao Han, Bin Li, Lei Bai
Abstract要約: グローバル熱帯サイクロン強度自動回帰予測のためのマルチモーダル・マルチスケール因果自己回帰モデル(MSCAR)を提案する。 MSCARは、大域的なTC強度自己回帰予測のための因果関係と大規模マルチ時間データを組み合わせる。本稿では,SETCD(Saturate and ERA5-based Tropical Cyclone dataset)について述べる。
参考スコア（独自算出の注目度）: 22.715152977444742
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Accurate forecasting of Tropical cyclone (TC) intensity is crucial for formulating disaster risk reduction strategies. Current methods predominantly rely on limited spatiotemporal information from ERA5 data and neglect the causal relationships between these physical variables, failing to fully capture the spatial and temporal patterns required for intensity forecasting. To address this issue, we propose a Multi-modal multi-Scale Causal AutoRegressive model (MSCAR), which is the first model that combines causal relationships with large-scale multi-modal data for global TC intensity autoregressive forecasting. Furthermore, given the current absence of a TC dataset that offers a wide range of spatial variables, we present the Satellite and ERA5-based Tropical Cyclone Dataset (SETCD), which stands as the longest and most comprehensive global dataset related to TCs. Experiments on the dataset show that MSCAR outperforms the state-of-the-art methods, achieving maximum reductions in global and regional forecast errors of 9.52% and 6.74%, respectively. The code and dataset are publicly available at https://anonymous.4open.science/r/MSCAR.
Abstract（参考訳）: 災害リスク低減戦略の策定には,熱帯サイクロン(TC)強度の正確な予測が不可欠である。現在の手法は、主にERA5データからの限られた時空間情報に依存し、これらの物理変数間の因果関係を無視し、強度予測に必要な空間的パターンと時間的パターンを完全に捉えることができない。この問題に対処するために,グローバルTC強度自動回帰予測のための大規模マルチモーダルデータと因果関係を組み合わせた最初のモデルであるマルチモーダルマルチスケール因果自己回帰モデル(MSCAR)を提案する。さらに,広い空間変数を提供するtcデータセットが現在存在しないことを考慮し,衛星およびera5ベースの熱帯サイクロンデータセット(setcd)を,tcsに関連する最長かつ最も包括的なグローバルデータセットとして紹介する。データセットの実験では、MSCARは最先端の手法よりも優れており、それぞれ9.52%と6.74%のグローバルおよび地域予測誤差を最大で削減している。コードとデータセットはhttps://anonymous.4open.science/r/MSCARで公開されている。

関連論文リスト

ClimateLLM: Efficient Weather Forecasting via Frequency-Aware Large Language Models [13.740208247043258]
天気予報の基礎モデルであるClimateLLMを提案する。時間的および空間横断的な協調フレームワークを通じて、時間的依存関係をキャプチャする。周波数分解と大言語モデルを統合し、空間的および時間的モデリングを強化する。
論文参考訳（メタデータ） (2025-02-16T09:57:50Z)
Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
論文参考訳（メタデータ） (2024-11-24T04:56:45Z)
Deep Learning for Weather Forecasting: A CNN-LSTM Hybrid Model for Predicting Historical Temperature Data [7.559331742876793]
本研究では,畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)を併用したハイブリッドモデルを提案する。 CNNは空間的特徴抽出に利用され、LSTMは時間的依存を処理し、予測精度と安定性が大幅に向上する。
論文参考訳（メタデータ） (2024-10-19T03:38:53Z)
TCP-Diffusion: A Multi-modal Diffusion Model for Global Tropical Cyclone Precipitation Forecasting with Change Awareness [13.696784449863959]
熱帯サイクロン降水拡散 (TCP-Diffusion) は, 熱帯サイクロン降水量予測のマルチモーダルモデルである。過去の降雨観測とマルチモーダル環境変数に基づいて,過去12時間のTCセンター周辺の降雨を3時間ごとの解像度で予測した。気象要因の影響とNWPモデル予測からの有用性を考慮し,特殊エンコーダを用いたマルチモデルフレームワークを提案する。
論文参考訳（メタデータ） (2024-10-17T02:58:05Z)
Masked Autoregressive Model for Weather Forecasting [7.960598061739508]
Masked Autoregressive Model for Weather Forecasting (MAM4WF) 本研究では,MAM4WF(Masked Autoregressive Model for Weather Forecasting)を提案する。このモデルは、トレーニング中に入力データの一部をマスクするマスク付きモデリングを利用する。気象・気象予報・映像フレーム予測データを用いてMAM4WFを評価し,5つのテストデータセットにおいて優れた性能を示した。
論文参考訳（メタデータ） (2024-09-30T09:17:04Z)
MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
論文参考訳（メタデータ） (2024-08-20T13:45:49Z)
Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
論文参考訳（メタデータ） (2023-09-24T19:57:22Z)
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)
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)
DeepClimGAN: A High-Resolution Climate Data Generator [60.59639064716545]
地球系モデル(ESM)は、気候変動シナリオの将来の予測を生成するためにしばしば用いられる。妥協として、エミュレータはかなり安価であるが、ESMの複雑さを全て備えているわけではない。本稿では, ESMエミュレータとして, 条件付き生成逆数ネットワーク(GAN)の使用を実証する。
論文参考訳（メタデータ） (2020-11-23T20:13:37Z)

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。