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
- Advancing Data-driven Weather Forecasting: Time-Sliding Data
Augmentation of ERA5 [3.3748750222488657]
我々は高解像度データへの共通依存から逸脱する新しい戦略を導入する。
本稿では,データ拡張と処理に対する新たなアプローチとして,変数の追加による従来のアプローチの改善について述べる。
その結果, 解像度が低いにもかかわらず, 提案手法は大気条件の予測にかなり精度が高いことがわかった。
論文 参考訳(メタデータ) (2024-02-13T03:01:22Z) - 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) - Residual Diffusion Modeling for Km-scale Atmospheric Downscaling [51.061954281398116]
台湾上空2kmの高解像度気象モデルを用いて,コスト効率の低いダウンスケーリングモデルを訓練した。
textitCorrDiffは、RMSEとCRPSを巧みに表現し、極端な場合でもスペクトルと分布を忠実に回復する。
グローバルな予測のスケールダウンは、これらのメリットの多くを成功裏に維持し、マシンラーニングの天気予報のエンドツーエンドなグローバルなスケールの可能性を先導する。
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 [78.63225885697149]
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。
多様な時間的ニューラルネットワークモデルを用いたエンドツーエンドアプローチを導入することで、干ばつデータに対処する。
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) - A Spatiotemporal Deep Neural Network for Fine-Grained Multi-Horizon Wind
Prediction [3.2474405288441544]
本稿では,高精度かつ高精度な風速予測のための新しいデータ駆動モデルを提案する。
MHSTNは、シークエンス・ツー・シークエンス(Seq2Seq)バックボーンで異なる因子をターゲットにした複数のディープニューラルネットワークを統合する。
MHSTNはすでに中国で最も忙しい国際空港のスケジューリングプラットフォームに統合されている。
論文 参考訳(メタデータ) (2023-09-09T09:36:28Z) - An Ensemble Machine Learning Approach for Tropical Cyclone Detection
Using ERA5 Reanalysis Data [0.0]
熱帯サイクロン(TC)は、自然界で見られる最も破壊的な現象の1つである。
伝統的に、TCは決定論的追跡スキームを用いて、大規模な気候データセットで特定されてきた。
本研究は,TC中心座標の位置決定のための機械学習アンサンブル手法を提案する。
論文 参考訳(メタデータ) (2023-06-07T22:26:50Z) - 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) - 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) - Deep Learning based Extreme Heatwave Forecast [8.975667614727648]
最先端のプラシム・プラネット・シミュレーターの気候モデルデータを用いて,大クラスのアンダーサンプリングと転送学習を含む畳み込みニューラルネットワークに基づく深層学習フレームワークが,極端な熱波の発生を予測する上で有意な性能を発揮することを示した。
論文 参考訳(メタデータ) (2021-03-17T16:10:06Z) - 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。