論文の概要: Online model error correction with neural networks: application to the
Integrated Forecasting System
- arxiv url: http://arxiv.org/abs/2403.03702v1
- Date: Wed, 6 Mar 2024 13:36:31 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-07 14:52:40.362498
- Title: Online model error correction with neural networks: application to the
Integrated Forecasting System
- Title（参考訳）: ニューラルネットワークを用いたオンラインモデル誤り訂正:統合予測システムへの応用
- Authors: Alban Farchi, Marcin Chrust, Marc Bocquet, Massimo Bonavita
- Abstract要約: ニューラルネットワークを用いた中レージ気象予報センターのモデル誤差補正手法を開発した。
ネットワークは、運用分析と分析インクリメントの大規模なデータセットを使用して、オフラインで事前トレーニングされている。
その後、データ同化や予測実験に使用されるように、オブジェクト指向予測システム(OOPS)内のIFSに統合される。
- 参考スコア（独自算出の注目度）: 0.27930367518472443
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, there has been significant progress in the development of
fully data-driven global numerical weather prediction models. These machine
learning weather prediction models have their strength, notably accuracy and
low computational requirements, but also their weakness: they struggle to
represent fundamental dynamical balances, and they are far from being suitable
for data assimilation experiments. Hybrid modelling emerges as a promising
approach to address these limitations. Hybrid models integrate a physics-based
core component with a statistical component, typically a neural network, to
enhance prediction capabilities. In this article, we propose to develop a model
error correction for the operational Integrated Forecasting System (IFS) of the
European Centre for Medium-Range Weather Forecasts using a neural network. The
neural network is initially pre-trained offline using a large dataset of
operational analyses and analysis increments. Subsequently, the trained network
is integrated into the IFS within the Object-Oriented Prediction System (OOPS)
so as to be used in data assimilation and forecast experiments. It is then
further trained online using a recently developed variant of weak-constraint
4D-Var. The results show that the pre-trained neural network already provides a
reliable model error correction, which translates into reduced forecast errors
in many conditions and that the online training further improves the accuracy
of the hybrid model in many conditions.
- Abstract（参考訳）: 近年、完全にデータ駆動のグローバルな数値天気予報モデルの開発が著しい進展を遂げている。
これらの機械学習の天気予報モデルは、その強さ、特に精度と低い計算要件を持っているが、その弱点は、基本的な力学バランスを表現するのに苦労しており、データ同化実験には適していない。
ハイブリッドモデリングは、これらの制限に対処するための有望なアプローチとして現れます。
ハイブリッドモデルは、予測能力を向上するために、物理ベースのコアコンポーネントと統計コンポーネント(典型的にはニューラルネットワーク)を統合する。
本稿では、ニューラルネットワークを用いた中距離気象予報センター(European Centre for Medium-Range Weather Forecasts)の運用統合予測システム(IFS)のモデル誤差補正を提案する。
ニューラルネットワークは最初、運用分析と分析インクリメントの大規模なデータセットを使用して、オフラインで事前トレーニングされる。
その後、トレーニングされたネットワークは、データ同化および予測実験に使用されるように、オブジェクト指向予測システム(OOPS)内のIFSに統合される。
その後、最近開発された弱い制約の4D-Varを使って、オンラインでさらに訓練される。
その結果、事前学習されたニューラルネットワークは、多くの条件で予測誤差を低減し、多くの条件でハイブリッドモデルの精度をさらに向上させる、信頼性の高いモデル誤差補正をすでに提供していることがわかった。
関連論文リスト
- Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
本稿では,天気予報をより微細なテンポラルスケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。
具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。
我々は、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークを導入する。
論文 参考訳（メタデータ） (2024-05-22T16:21:02Z) - From Reactive to Proactive Volatility Modeling with Hemisphere Neural Networks [0.0]
我々は,新しいニューラルネットワークアーキテクチャを用いて,マクロ経済密度予測のための最大推定値(MLE)を再活性化する。
ヘミスフィアニューラルネットワーク(HNN)は、可能時の主指標に基づく積極的なボラティリティ予測と、必要時の過去の予測誤差の大きさに基づく反応性ボラティリティ予測を提供する。
論文 参考訳（メタデータ） (2023-11-27T21:37:50Z) - Epistemic Modeling Uncertainty of Rapid Neural Network Ensembles for
Adaptive Learning [0.0]
新しいタイプのニューラルネットワークは、高速ニューラルネットワークパラダイムを用いて提示される。
提案したエミュレータを組み込んだニューラルネットワークは,予測精度を損なうことなく,ほぼ瞬時に学習できることが判明した。
論文 参考訳（メタデータ） (2023-09-12T22:34:34Z) - Learning Sample Difficulty from Pre-trained Models for Reliable
Prediction [55.77136037458667]
本稿では,大規模事前学習モデルを用いて,サンプル難易度を考慮したエントロピー正規化による下流モデルトレーニングを指導する。
我々は、挑戦的なベンチマークで精度と不確実性の校正を同時に改善する。
論文 参考訳（メタデータ） (2023-04-20T07:29:23Z) - Online Evolutionary Neural Architecture Search for Multivariate
Non-Stationary Time Series Forecasting [72.89994745876086]
本研究は、オンラインニューロ進化に基づくニューラルアーキテクチャサーチ(ONE-NAS)アルゴリズムを提案する。
ONE-NASは、オンライン予測タスクのためにリカレントニューラルネットワーク(RNN)を自動設計し、動的にトレーニングする新しいニューラルネットワーク探索手法である。
その結果、ONE-NASは従来の統計時系列予測法よりも優れていた。
論文 参考訳（メタデータ） (2023-02-20T22:25:47Z) - Online model error correction with neural networks in the incremental
4D-Var framework [0.0]
我々は,オンラインモデル誤り訂正のためのニューラルネットワークのトレーニングに使用できる,新しい弱制約4D-Varの定式化を開発した。
本手法はECMWFオブジェクト指向予測システムに実装されている。
その結果,オンライン学習が有効であることが確認され,オフライン学習よりも精度の高いモデル誤差補正が得られた。
論文 参考訳（メタデータ） (2022-10-25T07:45:33Z) - An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2022-04-18T23:42:18Z) - Probabilistic AutoRegressive Neural Networks for Accurate Long-range
Forecasting [6.295157260756792]
確率的自己回帰ニューラルネットワーク(PARNN)について紹介する。
PARNNは、非定常性、非線形性、非調和性、長距離依存、カオスパターンを示す複雑な時系列データを扱うことができる。
本研究では,Transformers,NBeats,DeepARなどの標準統計モデル,機械学習モデル,ディープラーニングモデルに対して,PARNNの性能を評価する。
論文 参考訳（メタデータ） (2022-04-01T17:57:36Z) - Enhanced physics-constrained deep neural networks for modeling vanadium
redox flow battery [62.997667081978825]
本稿では,物理制約付き深部ニューラルネットワーク(PCDNN)による高精度電圧予測手法を提案する。
ePCDNNは、電圧放電曲線のテール領域を含む電荷放電サイクルを通して、電圧応答を正確にキャプチャすることができる。
論文 参考訳（メタデータ） (2022-03-03T19:56:24Z) - Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。
彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。
本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
論文 参考訳（メタデータ） (2021-02-22T07:02:37Z) - A comprehensive study on the prediction reliability of graph neural
networks for virtual screening [0.0]
本稿では,モデルアーキテクチャ,正規化手法,損失関数が分類結果の予測性能および信頼性に与える影響について検討する。
その結果,高い成功率を達成するためには,正則化と推論手法の正しい選択が重要であることが明らかとなった。
論文 参考訳（メタデータ） (2020-03-17T10:13:31Z)
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。