論文の概要: Using Explainable AI and Transfer Learning to understand and predict the maintenance of Atlantic blocking with limited observational data
- arxiv url: http://arxiv.org/abs/2404.08613v1
- Date: Fri, 12 Apr 2024 17:22:29 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-15 14:18:01.757771
- Title: Using Explainable AI and Transfer Learning to understand and predict the maintenance of Atlantic blocking with limited observational data
- Title(参考訳): 説明可能なAIと転送学習を用いて限られた観測データによる大西洋封鎖の維持を理解・予測する
- Authors: Huan Zhang, Justin Finkel, Dorian S. Abbot, Edwin P. Gerber, Jonathan Weare,
- Abstract要約: ブロッキング・イベントは、極度の気象、特に気象システムを妨害する長期のブロッキング・イベントの重要な原因である。
説明可能な人工知能(Explainable Artificial Intelligence)は、長いブロッキングイベントの物理的原因を特定するのに役立つ、データ分析手法のクラスである。
我々は、畳み込みニューラルネットワーク(CNN)をトレーニングし、大西洋ブロッキングの持続性に対するスパース予測モデルを構築します。
- 参考スコア(独自算出の注目度): 7.72430072816717
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Blocking events are an important cause of extreme weather, especially long-lasting blocking events that trap weather systems in place. The duration of blocking events is, however, underestimated in climate models. Explainable Artificial Intelligence are a class of data analysis methods that can help identify physical causes of prolonged blocking events and diagnose model deficiencies. We demonstrate this approach on an idealized quasigeostrophic model developed by Marshall and Molteni (1993). We train a convolutional neural network (CNN), and subsequently, build a sparse predictive model for the persistence of Atlantic blocking, conditioned on an initial high-pressure anomaly. Shapley Additive ExPlanation (SHAP) analysis reveals that high-pressure anomalies in the American Southeast and North Atlantic, separated by a trough over Atlantic Canada, contribute significantly to prediction of sustained blocking events in the Atlantic region. This agrees with previous work that identified precursors in the same regions via wave train analysis. When we apply the same CNN to blockings in the ERA5 atmospheric reanalysis, there is insufficient data to accurately predict persistent blocks. We partially overcome this limitation by pre-training the CNN on the plentiful data of the Marshall-Molteni model, and then using Transfer Learning to achieve better predictions than direct training. SHAP analysis before and after transfer learning allows a comparison between the predictive features in the reanalysis and the quasigeostrophic model, quantifying dynamical biases in the idealized model. This work demonstrates the potential for machine learning methods to extract meaningful precursors of extreme weather events and achieve better prediction using limited observational data.
- Abstract(参考訳): ブロッキング・イベントは、極度の気象、特に気象システムを妨害する長期のブロッキング・イベントの重要な原因である。
しかし、ブロックイベントの期間は、気候モデルでは過小評価されている。
説明可能な人工知能(Explainable Artificial Intelligence)は、長いブロッキングイベントの物理的原因を特定し、モデルの欠陥を診断するのに役立つ、データ分析手法のクラスである。
このアプローチを、Marshall and Molteni (1993) によって開発された理想化された準地球栄養モデル上で実証する。
我々は、畳み込みニューラルネットワーク(CNN)を訓練し、その後、初期高圧異常を条件とした大西洋封鎖の持続性に対するスパース予測モデルを構築した。
Shapley Additive ExPlanation (SHAP) 分析により、大西洋上のトラフによって分離された米国南東部と北大西洋の高圧異常が、大西洋地域の持続的なブロッキング現象の予測に大きく貢献していることが明らかになった。
これは、ウェーブトレイン解析を通じて同一領域の前駆体を特定する以前の研究と一致している。
ERA5大気再分析におけるブロックに同じCNNを適用すると、持続的ブロックを正確に予測するデータは不十分である。
我々は、マーシャル・モルテニモデルの豊富なデータに基づいてCNNを事前訓練し、トランスファーラーニングを用いて直接訓練よりも優れた予測を行うことにより、この制限を部分的に克服する。
移行学習前後のSHAP分析は、再解析における予測的特徴と準ゲオゾフィックモデルの比較を可能にし、理想化されたモデルにおける動的バイアスを定量化する。
この研究は、極端な気象事象の有意義な前駆体を抽出し、限られた観測データを用いてより良い予測を行う機械学習手法の可能性を示す。
関連論文リスト
- 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) - Long-Term Typhoon Trajectory Prediction: A Physics-Conditioned Approach
Without Reanalysis Data [18.321586950937647]
本稿では,リアルタイム統一モデル(UM)データを活用する手法を提案する。
本モデルでは,6時間間隔で72時間前処理を行い,最新データ駆動モデルと数値天気予報モデルとを比較検討した。
論文 参考訳(メタデータ) (2024-01-28T18:28:33Z) - Residual Diffusion Modeling for Km-scale Atmospheric Downscaling [51.061954281398116]
台湾上空2kmの高解像度気象モデルを用いて,コスト効率の低いダウンスケーリングモデルを訓練した。
textitCorrDiffは、RMSEとCRPSを巧みに表現し、極端な場合でもスペクトルと分布を忠実に回復する。
グローバルな予測のスケールダウンは、これらのメリットの多くを成功裏に維持し、マシンラーニングの天気予報のエンドツーエンドなグローバルなスケールの可能性を先導する。
論文 参考訳(メタデータ) (2023-09-24T19:57:22Z) - 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) - Spatio-temporal neural structural causal models for bike flow prediction [2.991894112851257]
自転車シェアリングシステムの基本的な問題は、自転車のフロー予測である。
近年の輸送システムにおける文脈条件の過度な強調手法が注目されている。
時空間構造因果モデルを提案する。
論文 参考訳(メタデータ) (2023-01-19T01:39:21Z) - Mining Causality from Continuous-time Dynamics Models: An Application to
Tsunami Forecasting [22.434845478979604]
本研究では,連続時間モデルから因果構造を抽出する機構を提案する。
我々は,動的モデルの入力層の重み付けによって因果構造を捕捉するモデルを訓練する。
本手法を津波予報という実世界の問題に適用し,正確な因果構造を特徴付けるのが困難である。
論文 参考訳(メタデータ) (2022-10-10T18:53:13Z) - Long-term hail risk assessment with deep neural networks [0.0]
農作物、果樹園、インフラの被害を見積り、軽減するためには、危険リスク評価が必要である。
特定の領域におけるヘイル頻度の変化をデータ駆動で予測する機械学習モデルはありません。
本研究は,2つのアプローチを比較し,過去数十年の干ばつ頻度の変化を予測する作業に適したモデルを提案する。
論文 参考訳(メタデータ) (2022-08-31T18:24:39Z) - Uncertainty estimation of pedestrian future trajectory using Bayesian
approximation [137.00426219455116]
動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。
著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。
将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
論文 参考訳(メタデータ) (2022-05-04T04:23:38Z) - An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳(メタデータ) (2022-04-18T23:42:18Z) - Forecasting large-scale circulation regimes using deformable
convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討
今後1~15日にわたって北大西洋-欧州の気象条件を予測した。
より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5~6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
論文 参考訳(メタデータ) (2022-02-10T11:37:00Z) - Long-Short Term Spatiotemporal Tensor Prediction for Passenger Flow
Profile [15.875569404476495]
本稿では,テンソルに基づく予測に焦点をあて,予測を改善するためのいくつかの実践的手法を提案する。
具体的には、長期予測のために「テンソル分解+2次元自己回帰移動平均(2D-ARMA)」モデルを提案する。
短期予測のために,テンソルクラスタリングに基づくテンソル補完を行い,過度に単純化され精度が保証されるのを避けることを提案する。
論文 参考訳(メタデータ) (2020-04-23T08:30:00Z)
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。