論文の概要: Uncertainty estimation in spatial interpolation of satellite precipitation with ensemble learning
- arxiv url: http://arxiv.org/abs/2403.10567v1
- Date: Thu, 14 Mar 2024 17:45:56 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-19 22:55:17.991869
- Title: Uncertainty estimation in spatial interpolation of satellite precipitation with ensemble learning
- Title(参考訳): アンサンブル学習による衛星降水の空間補間における不確かさ推定
- Authors: Georgia Papacharalampous, Hristos Tyralis, Nikolaos Doulamis, Anastasios Doulamis,
- Abstract要約: 本研究では,9つの量子化に基づくアンサンブル学習装置を導入し,大規模な降水データセットに適用する。
私たちのアンサンブル学習者は6つの積み重ねと3つの簡単な方法(平均、中央値、最良の組み合わせ)を含む。
QRとQRNNで積み重ねると、量子レベルの関心事で最高の結果が得られる。
- 参考スコア(独自算出の注目度): 3.8623569699070353
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Predictions in the form of probability distributions are crucial for decision-making. Quantile regression enables this within spatial interpolation settings for merging remote sensing and gauge precipitation data. However, ensemble learning of quantile regression algorithms remains unexplored in this context. Here, we address this gap by introducing nine quantile-based ensemble learners and applying them to large precipitation datasets. We employed a novel feature engineering strategy, reducing predictors to distance-weighted satellite precipitation at relevant locations, combined with location elevation. Our ensemble learners include six stacking and three simple methods (mean, median, best combiner), combining six individual algorithms: quantile regression (QR), quantile regression forests (QRF), generalized random forests (GRF), gradient boosting machines (GBM), light gradient boosting machines (LightGBM), and quantile regression neural networks (QRNN). These algorithms serve as both base learners and combiners within different stacking methods. We evaluated performance against QR using quantile scoring functions in a large dataset comprising 15 years of monthly gauge-measured and satellite precipitation in contiguous US (CONUS). Stacking with QR and QRNN yielded the best results across quantile levels of interest (0.025, 0.050, 0.075, 0.100, 0.200, 0.300, 0.400, 0.500, 0.600, 0.700, 0.800, 0.900, 0.925, 0.950, 0.975), surpassing the reference method by 3.91% to 8.95%. This demonstrates the potential of stacking to improve probabilistic predictions in spatial interpolation and beyond.
- Abstract(参考訳): 確率分布の形の予測は意思決定に不可欠である。
量子回帰は、リモートセンシングとゲージ降水データをマージするための空間補間設定でこれを可能にする。
しかし、量子回帰アルゴリズムのアンサンブル学習はこの文脈では未解明のままである。
ここでは,9つの量子的アンサンブル学習者を導入し,大規模な降水データセットに適用することにより,このギャップに対処する。
そこで我々は,遠隔地における衛星降水量の予測器と位置高度の予測器を併用した,新しい特徴工学戦略を採用した。
我々のアンサンブル学習者は6つの積み重ねと3つの単純な手法(平均、中央値、最良の組み合わせ)を組み合わせ、量子回帰(QRF)、量子回帰(QRF)、一般化ランダム森林(GRF)、勾配押し上げ(GBM)、光勾配押し上げ(LightGBM)、量子回帰(QRNN)の6つのアルゴリズムを組み合わせた。
これらのアルゴリズムは、異なる積み重ね方式のベースラーナーとコンバインダーの両方として機能する。
本研究では,連続米国(CONUS)における月15年間の測度測定と衛星降水量からなる大規模データセットにおいて,量的スコアリング機能を用いたQRに対する性能評価を行った。
QRとQRNNを積み重ねると、量子レベル(0.025, 0.050, 0.075, 0.100, 0.200, 0.300, 0.400, 0.500, 0.600, 0.700, 0.700, 0.900, 0.900, 0.925, 0.950, 0.975)で最高の結果が得られる。
このことは、空間補間などにおける確率的予測を改善するための積み重ねの可能性を示している。
関連論文リスト
- Neural Conformal Control for Time Series Forecasting [54.96087475179419]
非定常環境における適応性を高める時系列のニューラルネットワーク共形予測手法を提案する。
提案手法は,ニューラルネットワークエンコーダを用いた補助的マルチビューデータを活用することにより,望ましい対象範囲を達成するために設計されたニューラルネットワークコントローラとして機能する。
予測間隔の整合性に優れたキャリブレーションを組み合わさった手法は, 適用範囲と確率的精度の大幅な向上を実証的に示す。
論文 参考訳(メタデータ) (2024-12-24T03:56:25Z) - Amortized Bayesian Local Interpolation NetworK: Fast covariance parameter estimation for Gaussian Processes [0.04660328753262073]
高速な共分散パラメータ推定のための補正ベイズ局所補間ネットWorKを提案する。
これらのネットワークの高速な予測時間により、行列の反転ステップをバイパスし、大きな計算スピードアップを発生させることができる。
拡張性のあるGP手法に比べて計算効率が大幅に向上することを示す。
論文 参考訳(メタデータ) (2024-11-10T01:26:16Z) - Semiparametric conformal prediction [79.6147286161434]
リスクに敏感なアプリケーションは、複数の、潜在的に相関したターゲット変数に対して、よく校正された予測セットを必要とする。
スコアをランダムなベクトルとして扱い、それらの連接関係構造を考慮した予測セットを構築することを目的とする。
実世界のレグレッション問題に対して,所望のカバレッジと競争効率について報告する。
論文 参考訳(メタデータ) (2024-11-04T14:29:02Z) - Combinations of distributional regression algorithms with application in uncertainty estimation of corrected satellite precipitation products [3.8623569699070353]
降水データセット作成における分布回帰の概念を導入する。
新たなアンサンブル学習法は,空間予測だけでなく,他の予測問題にも有用である。
スタック化は, 量子化損失関数を用いて評価した場合, 最大量子化レベルにおいて, 個々の手法よりも優れていることがわかった。
論文 参考訳(メタデータ) (2024-06-29T05:58:00Z) - Minimally Supervised Learning using Topological Projections in
Self-Organizing Maps [55.31182147885694]
自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。
提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。
提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
論文 参考訳(メタデータ) (2024-01-12T22:51:48Z) - Uncertainty estimation of machine learning spatial precipitation predictions from satellite data [3.8623569699070353]
衛星データとゲージデータを機械学習と組み合わせることで、高解像度の降水データセットを生成する。
6つのアルゴリズムをベンチマークすることで、そのような推定を最適に行う方法のギャップに対処する。
本研究では,空間データ予測の不確かさを推定する機械学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-11-13T17:55:28Z) - Tackling Computational Heterogeneity in FL: A Few Theoretical Insights [68.8204255655161]
我々は、計算異種データの形式化と処理を可能にする新しい集約フレームワークを導入し、分析する。
提案するアグリゲーションアルゴリズムは理論的および実験的予測から広範囲に解析される。
論文 参考訳(メタデータ) (2023-07-12T16:28:21Z) - Ensemble learning for blending gridded satellite and gauge-measured
precipitation data [4.2193475197905705]
本研究では,衛星降雨物の精度を向上させるため,11種類の新しいアンサンブル学習者を提案する。
PERSIANNとIMERGのグリッド化されたデータセットから月次データにアンサンブル学習者を適用する。
また,グローバル・ヒストリカル・クリマトロジー・ネットワークの月次データベースからの降水量測定データを用いた。
論文 参考訳(メタデータ) (2023-07-09T17:54:46Z) - Comparison of machine learning algorithms for merging gridded satellite
and earth-observed precipitation data [7.434517639563671]
我々は,グローバル・ヒストリカル・クリマトロジー・ネットワークの月次降水データ,バージョン2。
その結果,2乗誤差スコアリング関数が最も正確であることが示唆された。
論文 参考訳(メタデータ) (2022-12-17T09:39:39Z) - Flexible Model Aggregation for Quantile Regression [92.63075261170302]
量子回帰は、予測の不確実性を定量化する必要性によって動機付けられた統計学習の基本的な問題である。
条件付き量子モデルの任意の数を集約する手法について検討する。
この論文で検討するモデルはすべて、現代のディープラーニングツールキットに適合します。
論文 参考訳(メタデータ) (2021-02-26T23:21:16Z) - Solving Mixed Integer Programs Using Neural Networks [57.683491412480635]
本稿では,mipソルバの2つのキーサブタスクに学習を適用し,高品質なジョイント変数割当を生成し,その割当と最適課題との客観的値の差を限定する。
提案手法は,ニューラルネットワークに基づく2つのコンポーネントであるニューラルダイバーディングとニューラルブランチを構築し,SCIPなどのベースMIPソルバで使用する。
2つのGoogle生産データセットとMIPLIBを含む6つの現実世界データセットに対するアプローチを評価し、それぞれに別々のニューラルネットワークをトレーニングする。
論文 参考訳(メタデータ) (2020-12-23T09:33:11Z)
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。