論文の概要: Climate Downscaling: A Deep-Learning Based Super-resolution Model of Precipitation Data with Attention Block and Skip Connections
- arxiv url: http://arxiv.org/abs/2403.17847v1
- Date: Tue, 26 Mar 2024 16:36:50 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-27 14:37:40.626544
- Title: Climate Downscaling: A Deep-Learning Based Super-resolution Model of Precipitation Data with Attention Block and Skip Connections
- Title（参考訳）: 気候ダウンスケーリング: 注意ブロックとスキップ接続による降水データの深層学習に基づく超解像モデル
- Authors: Chia-Hao Chiang, Zheng-Han Huang, Liwen Liu, Hsin-Chien Liang, Yi-Chi Wang, Wan-Ling Tseng, Chao Wang, Che-Ta Chen, Ko-Chih Wang,
- Abstract要約: 台湾では年間平均降水量は2,500ミリ (mm) に達するが、平均降水量は世界平均よりも低い。
低分解能降水データを高分解能にダウンスケールするために、スキップ接続、アテンションブロック、補助データ結合を備えたディープ畳み込みニューラルネットワークを提案する。
- 参考スコア（独自算出の注目度）: 2.419452632652106
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Human activities accelerate consumption of fossil fuels and produce greenhouse gases, resulting in urgent issues today: global warming and the climate change. These indirectly cause severe natural disasters, plenty of lives suffering and huge losses of agricultural properties. To mitigate impacts on our lands, scientists are developing renewable, reusable, and clean energies and climatologists are trying to predict the extremes. Meanwhile, governments are publicizing resource-saving policies for a more eco-friendly society and arousing environment awareness. One of the most influencing factors is the precipitation, bringing condensed water vapor onto lands. Water resources are the most significant but basic needs in society, not only supporting our livings, but also economics. In Taiwan, although the average annual precipitation is up to 2,500 millimeter (mm), the water allocation for each person is lower than the global average due to drastically geographical elevation changes and uneven distribution through the year. Thus, it is crucial to track and predict the rainfall to make the most use of it and to prevent the floods. However, climate models have limited resolution and require intensive computational power for local-scale use. Therefore, we proposed a deep convolutional neural network with skip connections, attention blocks, and auxiliary data concatenation, in order to downscale the low-resolution precipitation data into high-resolution one. Eventually, we compare with other climate downscaling methods and show better performance in metrics of Mean Absolute Error (MAE), Root Mean Square Error (RMSE), Pearson Correlation, structural similarity index (SSIM), and forecast indicators.
- Abstract（参考訳）: 人間の活動は化石燃料の消費を加速させ、温室効果ガスを生産する。
これらが間接的に深刻な自然災害を引き起こし、多くの命が苦しめられ、農業財産が失われた。
我々の土地への影響を軽減するために、科学者たちは再生可能で再利用可能でクリーンなエネルギーと気候学者が極端を予測しようとしている。
一方、政府はよりエコフレンドリーな社会のための資源節約政策を公表し、環境意識を喚起している。
最も影響の大きい要因の1つは降水であり、凝縮した水蒸気が土地に放出される。
水資源は社会においてもっとも重要だが基本的なニーズであり、生活だけでなく経済学も支えている。
台湾では年間平均降水量は2,500ミリ (mm) に達するが、地理的な標高の変化と年間を通じて不均一な分布のために、各人の水割り当ては世界平均よりも低い。
したがって、降雨を最大限に活用し、洪水を防ぐためには、雨の追跡と予測が不可欠である。
しかし、気候モデルは解像度が限られており、局所的な使用には計算能力が必要とされる。
そこで我々は,低分解能降水データを高分解能にダウンスケールするために,スキップ接続,アテンションブロック,補助データ結合を備えた深部畳み込みニューラルネットワークを提案する。
最終的に、他の気候下降手法と比較し、平均絶対誤差(MAE)、ルート平均平方誤差(RMSE)、ピアソン相関、構造類似度指数(SSIM)、予測指標の指標でより良い性能を示す。
関連論文リスト
- FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather
Forecasting [56.73502043159699]
この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。
低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。
2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
論文 参考訳（メタデータ） (2024-01-28T13:23:25Z) - Climate Change Impact on Agricultural Land Suitability: An Interpretable
Machine Learning-Based Eurasia Case Study [94.07737890568644]
2021年現在、世界中で約8億8800万人が飢餓と栄養失調に見舞われている。
気候変動は農地の適性に大きな影響を及ぼし、深刻な食糧不足に繋がる可能性がある。
本研究は,経済・社会問題に苦しむ中央ユーラシアを対象とする。
論文 参考訳（メタデータ） (2023-10-24T15:15:28Z) - CMIP X-MOS: Improving Climate Models with Extreme Model Output
Statistics [40.517778024431244]
自然災害リスクの予測を改善するために, エクストリームモデル出力統計(X-MOS)を導入する。
この手法は, 気象観測所から得られた実測値にCMIPモデル出力を正確にマッピングするために, 深部回帰手法を用いる。
これまでの研究とは対照的に,本研究では,将来の気候パラメータ分布の尾部推定の強化に重点を置いている。
論文 参考訳（メタデータ） (2023-10-24T13:18:53Z) - Multi-scale Digital Twin: Developing a fast and physics-informed
surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。
U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。
並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
論文 参考訳（メタデータ） (2022-11-20T06:46:35Z) - A Multi-Scale Deep Learning Framework for Projecting Weather Extremes [3.3598755777055374]
気象の極端は社会と経済の大きな危険であり、数千人の命と毎年数十億ドルの損害を被っている。
現在、気候予測の主要なツールである一般循環モデル(GCM)は、気象極端を正確に特徴づけることができない。
本稿では,GCMの偏差を粗いスケールで観測することで,その出力の低次統計値とテール統計値とを一致させて補正する多分解能深層学習フレームワークを提案する。
提案手法を用いて、観測的大気再分析を用いて補正された単純なGCMを用いて、西欧の気候の統計的に現実的な現実化を生成する。
論文 参考訳（メタデータ） (2022-10-21T17:47:05Z) - ClimateGAN: Raising Climate Change Awareness by Generating Images of
Floods [89.61670857155173]
実画像上でのリアルな洪水をシミュレートする手法を提案する。
本研究では、教師なし領域適応と条件付き画像生成のためのシミュレーションデータと実データの両方を活用するモデルであるClimateGANを提案する。
論文 参考訳（メタデータ） (2021-10-06T15:54:57Z) - The Power of Language: Understanding Sentiment Towards the Climate
Emergency using Twitter Data [0.0]
原油先物と気候危機に対する感情との間には関係があると推測できる。
本研究は,気候危機時の会話を3つのトピックに分割することが可能であることを示す。
論文 参考訳（メタデータ） (2021-01-25T19:51:10Z) - Analyzing Sustainability Reports Using Natural Language Processing [68.8204255655161]
近年、企業は環境への影響を緩和し、気候変動の状況に適応することを目指している。
これは、環境・社会・ガバナンス(ESG)の傘下にある様々な種類の気候リスクと暴露を網羅する、ますます徹底した報告を通じて報告されている。
本稿では,本稿で開発したツールと方法論について紹介する。
論文 参考訳（メタデータ） (2020-11-03T21:22:42Z) - Physics-informed GANs for Coastal Flood Visualization [65.54626149826066]
我々は,現在および将来の沿岸洪水の衛星画像を生成する深層学習パイプラインを構築した。
物理に基づく洪水図と比較して画像を評価することにより,提案手法は物理的一貫性とフォトリアリズムの両方において,ベースラインモデルよりも優れていることがわかった。
この研究は沿岸の洪水の可視化に焦点が当てられているが、気候変動が地球をどう形作るかのグローバルな可視化を作成することを想定している。
論文 参考訳（メタデータ） (2020-10-16T02:15:34Z) - Augmented Convolutional LSTMs for Generation of High-Resolution Climate
Change Projections [1.7503398807380832]
統計的ダウンスケーリングのための補助的情報時空間ニューラルアーキテクチャを提案する。
現在の研究では、世界で最も気候的に多様化したインドにおいて、ESMの出力から1.15度 (115 km) から0.25度 (25 km) まで、毎日降水量のダウンスケーリングを行っている。
論文 参考訳（メタデータ） (2020-09-23T17:52:09Z)
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。