論文の概要: Storm Surge Modeling in the AI ERA: Using LSTM-based Machine Learning
for Enhancing Forecasting Accuracy
- arxiv url: http://arxiv.org/abs/2403.04818v1
- Date: Thu, 7 Mar 2024 13:19:38 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-11 21:53:20.398043
- Title: Storm Surge Modeling in the AI ERA: Using LSTM-based Machine Learning
for Enhancing Forecasting Accuracy
- Title（参考訳）: AI ERAにおけるストームサージモデリング:予測精度向上のためのLSTMベースの機械学習
- Authors: Stefanos Giaremis, Noujoud Nader, Clint Dawson, Hartmut Kaiser, Carola
Kaiser, Efstratios Nikidis
- Abstract要約: LSTMに基づくディープラーニングネットワーク機械学習アーキテクチャを提案する。
本研究の全体的な目標は,物理モデルのシステム的誤差を予測し,シミュレーション結果の精度を向上させることである。
- 参考スコア（独自算出の注目度）: 0.7149367973754319
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Physics simulation results of natural processes usually do not fully capture
the real world. This is caused for instance by limits in what physical
processes are simulated and to what accuracy. In this work we propose and
analyze the use of an LSTM-based deep learning network machine learning (ML)
architecture for capturing and predicting the behavior of the systemic error
for storm surge forecast models with respect to real-world water height
observations from gauge stations during hurricane events. The overall goal of
this work is to predict the systemic error of the physics model and use it to
improve the accuracy of the simulation results post factum. We trained our
proposed ML model on a dataset of 61 historical storms in the coastal regions
of the U.S. and we tested its performance in bias correcting modeled water
level data predictions from hurricane Ian (2022). We show that our model can
consistently improve the forecasting accuracy for hurricane Ian -- unknown to
the ML model -- at all gauge station coordinates used for the initial data.
Moreover, by examining the impact of using different subsets of the initial
training dataset, containing a number of relatively similar or different
hurricanes in terms of hurricane track, we found that we can obtain similar
quality of bias correction by only using a subset of six hurricanes. This is an
important result that implies the possibility to apply a pre-trained ML model
to real-time hurricane forecasting results with the goal of bias correcting and
improving the produced simulation accuracy. The presented work is an important
first step in creating a bias correction system for real-time storm surge
forecasting applicable to the full simulation area. It also presents a highly
transferable and operationally applicable methodology for improving the
accuracy in a wide range of physics simulation scenarios beyond storm surge
forecasting.
- Abstract（参考訳）: 自然過程の物理シミュレーションの結果は、通常実世界を完全には捉えない。
これは例えば、物理的プロセスのシミュレーションと精度の制限によって引き起こされる。
本研究では,ハリケーン発生時の観測地点からの実世界の水位観測に関して,高潮予報モデルにおけるシステム誤差の挙動をキャプチャし予測するための,lstmに基づくディープラーニング(ml)アーキテクチャの利用を提案し,解析する。
この研究の全体的な目標は、物理モデルの体系的誤差を予測し、事実後のシミュレーション結果の精度を向上させることにある。
アメリカ合衆国沿岸部における61の歴史的嵐のデータセットを用いて,提案したMLモデルを訓練し,ハリケーンIan(2022年)のモデル水位データ予測に偏り補正を行った。
我々のモデルは、初期データに使用されるすべてのゲージステーション座標において、MLモデルに未知のハリケーンIanの予測精度を一貫して改善できることを示します。
さらに,6つのハリケーンのサブセットのみを用いて,比較的類似した,あるいは異なるハリケーンを含む初期訓練データセットの異なるサブセットを使用することによる影響を調べることにより,同様のバイアス補正の質が得られることがわかった。
これは,事前学習したMLモデルを,バイアス補正とシミュレーション精度の向上を目標としたリアルタイムハリケーン予測結果に適用する可能性を示す重要な結果である。
本研究は,全シミュレーション領域に適用可能なリアルタイム嵐サージ予測のためのバイアス補正システムを構築する上で重要な第一歩である。
また、強風予報以外の幅広い物理シミュレーションシナリオの精度を向上させるために、高度に伝達可能で運用可能な手法を提案する。
関連論文リスト
- What Do Learning Dynamics Reveal About Generalization in LLM Reasoning? [83.83230167222852]
モデルの一般化動作は,事前記憶列車の精度と呼ばれるトレーニング指標によって効果的に特徴づけられることがわかった。
モデルの学習行動と一般化を結びつけることで、トレーニング戦略に目標とする改善を導くことができる。
論文 参考訳（メタデータ） (2024-11-12T09:52:40Z) - Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - Improved Long Short-Term Memory-based Wastewater Treatment Simulators for Deep Reinforcement Learning [0.0]
排水処理データのトレーニングモデルを改善するための2つの手法を実装した。
実験結果から, これらの手法を用いることで, シミュレーションの動作を1年を通して動的時間ワープで改善できることがわかった。
論文 参考訳（メタデータ） (2024-03-22T10:20:09Z) - 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) - FengWu-4DVar: Coupling the Data-driven Weather Forecasting Model with 4D Variational Assimilation [67.20588721130623]
我々は,AIを用いた循環型天気予報システムFengWu-4DVarを開発した。
FengWu-4DVarは観測データをデータ駆動の天気予報モデルに組み込むことができる。
シミュレーションされた観測データセットの実験は、FengWu-4DVarが合理的な解析場を生成することができることを示した。
論文 参考訳（メタデータ） (2023-12-16T02:07:56Z) - Rapid Flood Inundation Forecast Using Fourier Neural Operator [77.30160833875513]
洪水浸水予測は洪水前後の緊急計画に重要な情報を提供する。
近年,高分解能な流体力学モデリングが普及しつつあるが,道路の洪水範囲やリアルタイムのビルディングレベルは依然として計算的に要求されている。
洪水範囲と浸水深度予測のためのハイブリッドプロセスベースおよびデータ駆動機械学習(ML)アプローチを提案する。
論文 参考訳（メタデータ） (2023-07-29T22:49:50Z) - Towards replacing precipitation ensemble predictions systems using
machine learning [0.0]
本研究では,高分解能降水に対するアンサンブル気象予測のための新しい手法を提案する。
本手法は,複雑な降水パターンを学習するために生成的対向ネットワークを用いる。
本研究では, 未確認高解像度の降水アンサンブル部材の現実的な生成の可能性を示す。
論文 参考訳（メタデータ） (2023-04-20T12:20:35Z) - Probabilistic forecasting for geosteering in fluvial successions using a
generative adversarial network [0.0]
リアルタイムデータに基づく高速更新は、プレドリルモデルで高い不確実性を持つ複雑な貯水池での掘削に不可欠である。
本稿では, フラビアル継承の地質学的に一貫した2次元断面を再現するためのGAN(generative adversarial Deep Neural Network)を提案する。
この手法は不確実性を低減し, 掘削ビットより500m先にある主要な地質特性を正確に予測する。
論文 参考訳（メタデータ） (2022-07-04T12:52:38Z) - Deep Learning to advance the Eigenspace Perturbation Method for
Turbulence Model Uncertainty Quantification [0.0]
乱流モデル予測における不確実性を予測するため,固有空間摂動法(Eigenspace Perturbation Method)の活用を支援する機械学習手法の概要を述べる。
我々は、トレーニングニューラルネットワークを用いて、レイノルズ応力楕円体を予測したRANSの形状の相違を予測する。
論文 参考訳（メタデータ） (2022-02-11T08:06:52Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳（メタデータ） (2021-07-14T21:10:47Z)
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。