論文の概要: Long-term foehn reconstruction combining unsupervised and supervised learning

• arxiv url: http://arxiv.org/abs/2406.01818v2
• Date: Wed, 06 Nov 2024 14:58:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-08 03:29:39.225996
• Title: Long-term foehn reconstruction combining unsupervised and supervised learning
• Title（参考訳）: 教師なし学習と教師なし学習を併用した長期フェーン再建
• Authors: Reto Stauffer, Achim Zeileis, Georg J. Mayr,
• Abstract要約: 急激な気温上昇と風速変化を特徴とするフォーン風は、山脈のリーワード側の地域に大きな影響を与えている。 本稿では,教師なしと教師なしの確率的学習法の組み合わせを用いて,歴史的フォアーン発生を再現する新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Foehn winds, characterized by abrupt temperature increases and wind speed changes, significantly impact regions on the leeward side of mountain ranges, e.g., by spreading wildfires. Understanding how foehn occurrences change under climate change is crucial. Unfortunately, foehn cannot be measured directly but has to be inferred from meteorological measurements employing suitable classification schemes. Hence, this approach is typically limited to specific periods for which the necessary data are available. We present a novel approach for reconstructing historical foehn occurrences using a combination of unsupervised and supervised probabilistic statistical learning methods. We utilize in-situ measurements (available for recent decades) to train an unsupervised learner (finite mixture model) for automatic foehn classification. These labeled data are then linked to reanalysis data (covering longer periods) using a supervised learner (lasso or boosting). This allows to reconstruct past foehn probabilities based solely on reanalysis data. Applying this method to ERA5 reanalysis data for six stations across Switzerland and Austria achieves accurate hourly reconstructions of north and south foehn occurrence, respectively, dating back to 1940. This paves the way for investigating how seasonal foehn patterns have evolved over the past 83 years, providing valuable insights into climate change impacts on these critical wind events.
• Abstract（参考訳）: 急激な気温上昇と風速変化を特徴とするフォーン・ウィンドは、山火事の広がりによって、山腹側(例:山火事)に著しく影響した。 気候変動の下でフォアーンがどのように変化するかを理解することが重要である。 残念ながら、フォアーンを直接測定することはできないが、適切な分類法を用いて気象観測から推定する必要がある。 したがって、このアプローチは通常、必要なデータが利用可能な特定の期間に限られる。 本稿では,教師なしおよび教師付き確率論的統計的学習法の組み合わせを用いて,歴史的フォアーン発生を再現する新しい手法を提案する。 本研究は,教師なし学習者(有限混合モデル)を訓練するためのin-situ測定(ここ数十年で利用可能)を利用する。 これらのラベル付きデータは、教師付き学習者(ラスソまたはブースティング)を使用して、再分析データ(長い期間をカバーする)にリンクされる。 これにより、分析データのみに基づいて過去のフォアーン確率を再構築することができる。 この手法をスイスとオーストリアの6つの駅のERA5の再解析データに適用すると、1940年に遡る北のフォアーンと南のフォアーンの正確な時間的復元が達成される。 このことは、過去83年間に季節的なフォアーンパターンがどのように進化してきたかを調査する方法であり、これらの臨界風事象に対する気候変動の影響についての貴重な洞察を与えてくれる。

関連論文リスト

• Generative Precipitation Downscaling using Score-based Diffusion with Wasserstein Regularization [19.32044524311079]
  地域リスクと降水科学を理解するために、長期記録と高解像度の製品が発掘されることがある。 本稿では,世界規模で利用可能なゲージベース降水生成物をダウンスケールする新しい生成拡散モデルを提案する。 We show that WassDiff has better reconstruction accuracy and bias scores than conventional score-based diffusion model。
  論文  参考訳（メタデータ） (2024-10-01T04:12:40Z)
• Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
  我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。 次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。 気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
  論文  参考訳（メタデータ） (2024-08-08T06:47:21Z)
• A non-intrusive machine learning framework for debiasing long-time coarse resolution climate simulations and quantifying rare events statistics [0.0]
  粗いモデルは、無視された「サブグリッド」スケールのために固有のバイアスに悩まされる。 ニューラルネット(NN)補正演算子を用いて,非侵襲的に粗大分解能気候予測を行うフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-28T17:06:19Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  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。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 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)
• ClimaX: A foundation model for weather and climate [51.208269971019504]
  ClimaXは気象と気候科学のディープラーニングモデルである。 気候データセットの自己教師型学習目標で事前トレーニングすることができる。 気候や気候の様々な問題に対処するために、微調整が可能である。
  論文  参考訳（メタデータ） (2023-01-24T23:19:01Z)
• 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)
• Intelligent Spatial Interpolation-based Frost Prediction Methodology using Artificial Neural Networks with Limited Local Data [3.3607307817827032]
  本研究の目的は,凍害予測のための現場の歴史的データやセンサへの依存を解消することである。 これらのモデルは、既存の気象観測所の気候データ、デジタル標高モデルサーベイ、および正規化差植生指数データを用いて、目標地点の次の1時間最低気温を推定する。
  論文  参考訳（メタデータ） (2022-04-15T21:14:07Z)
• 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)
• 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)
• 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。