論文の概要: Extreme Precipitation Nowcasting using Transformer-based Generative Models

• arxiv url: http://arxiv.org/abs/2403.03929v1
• Date: Wed, 6 Mar 2024 18:39:41 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-07 13:51:01.774785
• Title: Extreme Precipitation Nowcasting using Transformer-based Generative Models
• Title（参考訳）: 変圧器型生成モデルを用いた極端な降水時流キャスティング
• Authors: Cristian Meo, Ankush Roy, Mircea Lic\u{a}, Junzhe Yin, Zeineb Bou Che, Yanbo Wang, Ruben Imhoff, Remko Uijlenhoet, Justin Dauwels
• Abstract要約: 本稿では,Transformer ベースの生成モデル,すなわち NowcastingGPT with Extreme Value Loss (EVL) regularization を用いることにより,極端降水量減少に対する革新的なアプローチを提案する。 固定された極端表現を仮定せずにEVLを計算するための新しい手法を導入し、極端気象事象を捉える際の現在のモデルの限界に対処する。 本稿では, 降水量の定性的および定量的な分析を行い, 正確な降水予測を生成する上で, 提案した NowcastingGPT-EVL の優れた性能を示す。
• 参考スコア（独自算出の注目度）: 9.497627628556875
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents an innovative approach to extreme precipitation nowcasting by employing Transformer-based generative models, namely NowcastingGPT with Extreme Value Loss (EVL) regularization. Leveraging a comprehensive dataset from the Royal Netherlands Meteorological Institute (KNMI), our study focuses on predicting short-term precipitation with high accuracy. We introduce a novel method for computing EVL without assuming fixed extreme representations, addressing the limitations of current models in capturing extreme weather events. We present both qualitative and quantitative analyses, demonstrating the superior performance of the proposed NowcastingGPT-EVL in generating accurate precipitation forecasts, especially when dealing with extreme precipitation events. The code is available at \url{https://github.com/Cmeo97/NowcastingGPT}.
• Abstract（参考訳）: 本稿では,Transformer ベースの生成モデル,すなわち NowcastingGPT with Extreme Value Loss (EVL) regularization を用いることにより,極端降水量減少に対する革新的なアプローチを提案する。 オランダ気象研究所(KNMI)の包括的データセットを活用することで,短期降水量の予測を高精度に行う。 固定された極端表現を仮定せずにEVLを計算するための新しい手法を導入し、極端気象事象を捉える際の現在のモデルの限界に対処する。 本稿では, 降水予測の精度, 特に極端な降水現象に対して, 提案するnowcastinggpt-evlの優れた性能を示す, 定性的, 定量的な分析を行った。 コードは \url{https://github.com/cmeo97/nowcastinggpt} で入手できる。

関連論文リスト

• PostCast: Generalizable Postprocessing for Precipitation Nowcasting via Unsupervised Blurriness Modeling [85.56969895866243]
  本稿では,ぼやけた予測とそれに対応する土台真実のペアによるトレーニングを必要とせずに,ぼやけを解消するための教師なしポストプロセッシング手法を提案する。 非条件相関を任意のぼかしモードに適応させるため、ゼロショットのぼかしカーネル推定機構とオートスケールの denoise ガイダンス戦略を導入する。
  論文  参考訳（メタデータ） (2024-10-08T08:38:23Z)
• Forecast-PEFT: Parameter-Efficient Fine-Tuning for Pre-trained Motion Forecasting Models [68.23649978697027]
  Forecast-PEFTは、モデルのパラメータの大部分を凍結し、新しく導入されたプロンプトとアダプタの調整に集中する微調整戦略である。 実験の結果,Forecast-PEFTは動作予測タスクにおいて従来のフルチューニング手法よりも優れていた。 Forecast-FTは予測性能をさらに改善し、従来のベースライン法よりも最大9.6%向上した。
  論文  参考訳（メタデータ） (2024-07-28T19:18:59Z)
• GPTCast: a weather language model for precipitation nowcasting [0.0]
  GPTCastは、レーダベースの降雨をアンサンブルする深層学習法である。 我々は、トークン化レーダ画像を用いて降水動態を学習するために、GPTモデルを用いて予測を行う。
  論文  参考訳（メタデータ） (2024-07-02T09:25:58Z)
• Precipitation Nowcasting Using Physics Informed Discriminator Generative Models [9.497627628556875]
  PySTEPSを含む最先端のモデルでは、予測不可能な分布パターンのため、極端な気象事象を正確に予測するのは難しい。 オランダ王立気象研究所の降水データと気象データを用いて降水流しを行う物理インフォームニューラルネットワークを設計する。 以上の結果から,PID-GANモデルは降水量で数値およびSOTA深部生成モデルよりも優れていた。
  論文  参考訳（メタデータ） (2024-06-14T15:12:53Z)
• Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
  気象予報に拡散モデル(DM)を適用した新しい手法を提案する。 提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。 我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
  論文  参考訳（メタデータ） (2024-02-06T21:28:42Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
  本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。 提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
  論文  参考訳（メタデータ） (2023-11-30T08:22:08Z)
• Generative Modeling of High-resolution Global Precipitation Forecasts [2.1485350418225244]
  GAN(Generative Adversarial Network)を用いた最先端の深層学習降水モデル(FourCastNet)のアーキテクチャとトレーニングプロセスの改善について述べる。 我々の改良は, 降水量の極端にパーセンタイルを捕捉する上で, 1～2日間のリードタイムでの予測能力において, 最先端のNWPモデルに匹敵する優れた性能を実現している。
  論文  参考訳（メタデータ） (2022-10-22T17:21:16Z)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)
• TRU-NET: A Deep Learning Approach to High Resolution Prediction of Rainfall [21.399707529966474]
  本稿では,連続的畳み込み再帰層間の新しい2次元クロスアテンション機構を特徴とするエンコーダデコーダモデルであるTRU-NETを提案する。 降雨のゼロ・スクイド・%極端事象パターンを捉えるために,条件付き連続損失関数を用いた。 実験の結果,短期降水予測ではDLモデルよりもRMSEとMAEのスコアが低いことがわかった。
  論文  参考訳（メタデータ） (2020-08-20T17:27:59Z)

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。