論文の概要: CloudNine: Analyzing Meteorological Observation Impact on Weather
Prediction Using Explainable Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2402.14861v1
- Date: Wed, 21 Feb 2024 01:29:17 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-26 16:59:54.295825
- Title: CloudNine: Analyzing Meteorological Observation Impact on Weather
Prediction Using Explainable Graph Neural Networks
- Title(参考訳): cloudnine:説明可能なグラフニューラルネットワークを用いた気象予測における気象観測の影響分析
- Authors: Hyeon-Ju Jeon and Jeon-Ho Kang and In-Hyuk Kwon and O-Joun Lee
- Abstract要約: CloudNine'は、説明可能なグラフニューラルネットワーク(XGNN)に基づく特定の予測に対する個々の観測の影響の分析を可能にする
本研究では,地球系の3次元空間における観測をWebアプリケーションで探索し,個々の観測が特定の空間領域や時間領域における予測に与える影響を可視化する。
- 参考スコア(独自算出の注目度): 1.9019250262578853
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The impact of meteorological observations on weather forecasting varies with
sensor type, location, time, and other environmental factors. Thus,
quantitative analysis of observation impacts is crucial for effective and
efficient development of weather forecasting systems. However, the existing
impact analysis methods are difficult to be widely applied due to their high
dependencies on specific forecasting systems. Also, they cannot provide
observation impacts at multiple spatio-temporal scales, only global impacts of
observation types. To address these issues, we present a novel system called
``CloudNine,'' which allows analysis of individual observations' impacts on
specific predictions based on explainable graph neural networks (XGNNs).
Combining an XGNN-based atmospheric state estimation model with a numerical
weather prediction model, we provide a web application to search for
observations in the 3D space of the Earth system and to visualize the impact of
individual observations on predictions in specific spatial regions and time
periods.
- Abstract(参考訳): 気象観測が天気予報に与える影響は、センサーの種類、位置、時間、その他の環境要因によって異なる。
したがって、気象予報システムの効率的かつ効率的な開発には、観測影響の定量的分析が不可欠である。
しかし,既存の影響分析手法は,特定の予測システムへの依存度が高いため,広く適用することは困難である。
また、複数の時空間スケールで観測効果を与えることができず、観測タイプの大域的な影響しか与えない。
これらの問題に対処するために,説明可能なグラフニューラルネットワーク(XGNN)に基づいて個々の観測結果が特定の予測に与える影響を分析する「CloudNine」という新しいシステムを提案する。
xgnnに基づく大気状態推定モデルと数値気象予測モデルを組み合わせることで、地球系の3次元空間における観測を探索し、個々の観測が特定の空間領域や時間における予測に与える影響を可視化するウェブアプリケーションを提供する。
関連論文リスト
- Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳(メタデータ) (2024-01-22T14:02:56Z) - Performative Time-Series Forecasting [71.18553214204978]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。
本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。
新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文 参考訳(メタデータ) (2023-10-09T18:34:29Z) - 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) - Uncovering the Missing Pattern: Unified Framework Towards Trajectory
Imputation and Prediction [60.60223171143206]
軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。
現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。
本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
論文 参考訳(メタデータ) (2023-03-28T14:27:27Z) - Maximising Weather Forecasting Accuracy through the Utilisation of Graph
Neural Networks and Dynamic GNNs [1.6651146574124562]
グラフニューラルネットワーク(GNN)に基づく天気予報モデルを用いて気象データを解析する。
GNNはグラフ学習に基づくモデルであり、多くの機械学習アプローチにおいて強力な経験的性能を示す。
論文 参考訳(メタデータ) (2023-01-29T15:42:37Z) - Forecasting large-scale circulation regimes using deformable
convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討
今後1~15日にわたって北大西洋-欧州の気象条件を予測した。
より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5~6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
論文 参考訳(メタデータ) (2022-02-10T11:37:00Z) - Building Autocorrelation-Aware Representations for Fine-Scale
Spatiotemporal Prediction [1.2862507359003323]
本稿では,空間統計理論をニューラルネットワークに組み込んだ新しいディープラーニングアーキテクチャを提案する。
DeepLATTEには、局所的自己相関パターンとグローバルな自己相関傾向の両方を強制する、自己相関誘導半教師付き学習戦略が含まれている。
我々は,DeepLATTEの公開データを用いた実演を行い,健康上の重要なトピックとして,高度に適合した複雑な物理環境下での空気質予測を行った。
論文 参考訳(メタデータ) (2021-12-10T03:21:19Z) - Latent State Inference in a Spatiotemporal Generative Model [3.7525506486107267]
我々は、波動伝播力学を含む温度と気象の過程に注目し、普遍的な原因は空間と時間にわたって適用されると仮定する。
最近導入されたDIsed Stemporal graph Artificial Neural Architecture (DISTANA)を使用して、そのようなプロセスを学ぶ。
DISTANAは、アクティブチューニングと呼ばれる振り返り状態推論原則と組み合わせることで、位置参照型隠れ因果関係を確実に導出できることを示す。
論文 参考訳(メタデータ) (2020-09-21T12:59:40Z) - SmaAt-UNet: Precipitation Nowcasting using a Small Attention-UNet
Architecture [5.28539620288341]
データ駆動型ニューラルネットワークのアプローチにより,正確な降水量を推定できることが示唆された。
オランダ地域の降水マップとフランスのクラウドカバレッジのバイナリ画像を用いて、実際のデータセットに対する我々のアプローチを評価した。
論文 参考訳(メタデータ) (2020-07-08T20:33:10Z) - 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。