論文の概要: Impact of Employing Weather Forecast Data as Input to the Estimation of Evapotranspiration by Deep Neural Network Models
- arxiv url: http://arxiv.org/abs/2403.18489v1
- Date: Wed, 27 Mar 2024 12:01:51 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-28 17:08:03.963568
- Title: Impact of Employing Weather Forecast Data as Input to the Estimation of Evapotranspiration by Deep Neural Network Models
- Title(参考訳): 深部ニューラルネットワークモデルによる蒸発散量の推定に対する気象予報データの利用の影響
- Authors: Pedro J. Vaz, Gabriela Schütz, Carlos Guerrero, Pedro J. S. Cardoso,
- Abstract要約: Evapotranspiration (ET0) は、作物の水需要に係数が関係しているため、スマート灌水スケジューリングを設計するための重要なパラメータである。
FAO56-PM法を用いてET0を計算するには、気温、湿度、風、太陽放射の4つの主要な気象パラメータが必要である。
- 参考スコア(独自算出の注目度): 0.11249583407496218
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Reference Evapotranspiration (ET0) is a key parameter for designing smart irrigation scheduling, since it is related by a coefficient to the water needs of a crop. The United Nations Food and Agriculture Organization, proposed a standard method for ET0 computation (FAO56PM), based on the parameterization of the Penman-Monteith equation, that is widely adopted in the literature. To compute ET0 using the FAO56-PM method, four main weather parameters are needed: temperature, humidity, wind, and solar radiation (SR). One way to make daily ET0 estimations for future days is to use freely available weather forecast services (WFSs), where many meteorological parameters are estimated up to the next 15 days. A problem with this method is that currently, SR is not provided as a free forecast parameter on most of those online services or, normally, such forecasts present a financial cost penalty. For this reason, several ET0 estimation models using machine and deep learning were developed and presented in the literature, that use as input features a reduced set of carefully selected weather parameters, that are compatible with common freely available WFSs. However, most studies on this topic have only evaluated model performance using data from weather stations (WSs), without considering the effect of using weather forecast data. In this study, the performance of authors' previous models is evaluated when using weather forecast data from two online WFSs, in the following scenarios: (i) direct ET0 estimation by an ANN model, and (ii) estimate SR by ANN model, and then use that estimation for ET0 computation, using the FAO56-PM method. Employing data collected from two WFSs and a WS located in Vale do Lobo, Portugal, the latter approach achieved the best result, with a coefficient of determination (R2) ranging between 0.893 and 0.667, when considering forecasts up to 15 days.
- Abstract(参考訳): 基準蒸発散(ET0)は、作物の水需要に係数が関係するため、スマート灌水スケジューリングを設計するための重要なパラメータである。
国連食糧農業機関は、ペンマン・モンテイス方程式のパラメータ化に基づくET0計算の標準手法(FAO56PM)を提案した。
FAO56-PM法を用いてET0を計算するには、気温、湿度、風、太陽放射(SR)の4つの主要な気象パラメータが必要である。
天気予報サービス(WFSs)を利用することで、気象パラメータを15日間まで見積もることができる。
この方法の問題点は、現在、ほとんどのオンラインサービスにおいて、SRが無料の予測パラメータとして提供されていないこと、または、通常、そのような予測が金銭的コストペナルティを示すことである。
このため、機械学習とディープラーニングを用いたET0推定モデルが開発され、文献で紹介され、入力として使われるのは、一般に利用可能なWFSと互換性のある、慎重に選択された気象パラメータのセットの削減である。
しかし、この話題に関するほとんどの研究は、天気予報データを用いることによる影響を考慮せずに、気象観測所(WS)のデータを用いたモデル性能の評価しか行っていない。
本研究では,2つのオンラインWFSの天気予報データを用いて,著者の過去のモデルの性能を評価する。
(i)ANNモデルによる直接ET0推定、及び
(II) ANNモデルによりSRを推定し,その推定を FAO56-PM 法を用いてET0 計算に使用する。
ポルトガルのヴァレ・ド・ロボ(Vale do Lobo)にある2つのWFSとWSから収集したデータを用いて、最大15日間の予測を考慮すれば、決定係数(R2)が0.893から0.667の範囲で最高の結果を得た。
関連論文リスト
- FuXi-ENS: A machine learning model for medium-range ensemble weather forecasting [14.078473399001348]
FuXi-ENSは6時間のグローバルアンサンブル天気予報を最大15日間配信するために設計された高度な機械学習モデルである。
空間分解能は0.25degと大幅に改善され、13の圧力レベルに5つの上層大気変数と13の地表変数が組み込まれている。
FuXi-ENSは欧州中距離気象予報センターのアンサンブル予測を上回っている。
論文 参考訳(メタデータ) (2024-05-09T17:15:09Z) - Ai4Fapar: How artificial intelligence can help to forecast the seasonal
earth observation signal [0.15361702135159847]
モデルの評価は, 気候指標と比較し, 1年経過した期間で行った。
その結果, 変圧器モデルの方が1ヶ月の地平線予測でベンチマークモデルより優れており, その後の気候学的ベンチマークの方が優れていることがわかった。
全体として、テストされたTransformerモデルは、特に気象データと組み合わせて短期予測を行う場合、FAPAR予測に有効な方法である。
論文 参考訳(メタデータ) (2024-02-08T11:00:51Z) - 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,ExEnsembleという名称のトレーニングフリーな極値拡張戦略を導入し,画素値のばらつきを増大させ,予測ロバスト性を向上させる。
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-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) - Towards an end-to-end artificial intelligence driven global weather forecasting system [57.5191940978886]
我々は,地球規模の気象変動に対するAIに基づくデータ同化モデル,すなわちAdasを提案する。
我々は,アダスが地球観測を同化して高品質な分析を行い,長期にわたって安定して運用できることを実証した。
この手法を現実のシナリオに適用するのは,私たちが初めてです。
論文 参考訳(メタデータ) (2023-12-18T09:05:28Z) - Long-term drought prediction using deep neural networks based on
geospatial weather data [78.63225885697149]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。
多様な時間的ニューラルネットワークモデルを用いたエンドツーエンドアプローチを導入することで、干ばつデータに対処する。
主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文 参考訳(メタデータ) (2023-09-12T13:28:06Z) - Precipitation nowcasting with generative diffusion models [0.0]
降水処理における拡散モデルの有効性について検討した。
本研究は, 確立されたU-Netモデルの性能と比較したものである。
論文 参考訳(メタデータ) (2023-08-13T09:51:16Z) - Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global
Weather Forecast [91.9372563527801]
我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。
初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。
Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
論文 参考訳(メタデータ) (2022-11-03T17:19:43Z) - A case study of spatiotemporal forecasting techniques for weather
forecasting [0.0]
本稿では,地域データによる気象予報の様々な手法,すなわち時間的相関を捉えるために,複数の経度点にまたがる予測手法について検討する。
その結果, 列車の動的分解モードに基づく予測モデルでは, トレーニングを必要とせず, ほぼ同等の精度で予測できることがわかった。
論文 参考訳(メタデータ) (2022-09-29T13:47:02Z) - A Deep Convolutional Neural Network Model for improving WRF Forecasts [0.19573380763700707]
我々は4年間の歴史を持つCNNモデル(2014-2017)をトレーニングし、WRFバイアスのパターンについて検討する。
次に, 風速, 方向, 降水量, 相対湿度, 表面圧力, 露点温度, 表面温度の予測値において, これらのバイアスを低減させる。
その結果,全駅でWRF予測が顕著に改善したことが示唆された。
論文 参考訳(メタデータ) (2020-08-14T17:48:06Z) - A generative adversarial network approach to (ensemble) weather
prediction [91.3755431537592]
本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。
提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
論文 参考訳(メタデータ) (2020-06-13T20:53:17Z)
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。