論文の概要: ACE Metric: Advection and Convection Evaluation for Accurate Weather Forecasting
- arxiv url: http://arxiv.org/abs/2406.04678v1
- Date: Fri, 7 Jun 2024 06:49:59 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-10 15:19:38.499563
- Title: ACE Metric: Advection and Convection Evaluation for Accurate Weather Forecasting
- Title（参考訳）: ACEメトリック:正確な天気予報のための対流・対流評価
- Authors: Doyi Kim, Minseok Seo, Yeji Choi,
- Abstract要約: 本研究では, モデルによる対流・対流予測の精度を評価するために, 対流・対流誤差(ACE)測定値を提案する。
We have confirmeded the ACE evaluation metric on the WeatherBench2 and movingMNIST datasets。
- 参考スコア（独自算出の注目度）: 7.016835396874093
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recently, data-driven weather forecasting methods have received significant attention for surpassing the RMSE performance of traditional NWP (Numerical Weather Prediction)-based methods. However, data-driven models are tuned to minimize the loss between forecasted data and ground truths, often using pixel-wise loss. This can lead to models that produce blurred outputs, which, despite being significantly different in detail from the actual weather conditions, still demonstrate low RMSE values. Although evaluation metrics from the computer vision field, such as PSNR, SSIM, and FVD, can be used, they are not entirely suitable for weather variables. This is because weather variables exhibit continuous physical changes over time and lack the distinct boundaries of objects typically seen in computer vision images. To resolve these issues, we propose the advection and convection Error (ACE) metric, specifically designed to assess how well models predict advection and convection, which are significant atmospheric transfer methods. We have validated the ACE evaluation metric on the WeatherBench2 and MovingMNIST datasets.
- Abstract（参考訳）: 近年,従来のNWP (Numerical Weather Prediction) 手法のRMSE性能を上回るデータ駆動型天気予報法が注目されている。
しかし、データ駆動モデルは予測されたデータと地上の真実の間の損失を最小限に抑えるために調整され、しばしばピクセル単位の損失を使用する。
これは、実際の気象条件と細部が異なるにもかかわらず、RMSEの低い値を示す、ぼやけた出力を生成するモデルにつながる可能性がある。
PSNR、SSIM、FVDなどのコンピュータビジョン分野からの計測値を用いることができるが、気象変数に完全に適合するわけではない。
これは、気象変数が時間とともに連続的な物理的変化を示し、コンピュータビジョン画像に見られる物体の境界が異なるためである。
これらの問題を解決するため, 大気移動法として重要な対流・対流予測モデルとして, 対流・対流誤差(ACE)測定法を提案する。
We have confirmeded the ACE evaluation metric on the WeatherBench2 and movingMNIST datasets。
関連論文リスト
- Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
本稿では,天気予報をより微細なテンポラルスケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。
具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。
我々は、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークを導入する。
論文 参考訳（メタデータ） (2024-05-22T16:21:02Z) - ClimODE: Climate and Weather Forecasting with Physics-informed Neural ODEs [14.095897879222676]
統計力学の重要な原理を実装した連続時間プロセスであるClimODEを提案する。
ClimODEは、値保存ダイナミクスによる正確な気象進化をモデル化し、ニューラルネットワークとしてグローバルな気象輸送を学習する。
提案手法は,大域的,地域的予測において,パラメータ化の桁違いで既存のデータ駆動手法より優れる。
論文 参考訳（メタデータ） (2024-04-15T06:38:21Z) - Modeling Weather Uncertainty for Multi-weather Co-Presence Estimation [25.060597623607784]
既存のアルゴリズムでは、気象条件を個別の状態としてモデル化し、マルチラベル分類を用いて推定する。
マルチウェザー条件の物理的定式化を考慮し,物理パラメータが画像の外観から学習に与える影響をモデル化する。
論文 参考訳（メタデータ） (2024-03-29T10:05:29Z) - 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) - Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳（メタデータ） (2024-01-22T14:02:56Z) - Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。
提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
論文 参考訳（メタデータ） (2023-11-30T08:22:08Z) - 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) - DL-Corrector-Remapper: A grid-free bias-correction deep learning
methodology for data-driven high-resolution global weather forecasting [11.334341754942917]
我々はFourCastNet(FCN)の一様予測を補正し、再マップし、微調整する手法を開発した。
これは、数値天気予報(NWP)のバイアス補正と後処理に似ている
私たちはこのネットワークをDLCR(Deep-Learning-Corrector-Remapper)と呼ぶ。
論文 参考訳（メタデータ） (2022-10-21T23:04:44Z) - 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) - Smart Weather Forecasting Using Machine Learning:A Case Study in
Tennessee [2.9477900773805032]
本稿では,複数の気象観測所の過去のデータを利用して,シンプルな機械学習モデルを訓練する天気予報手法を提案する。
モデルの精度は、現在の最先端技術と併用するのに十分である。
論文 参考訳（メタデータ） (2020-08-25T02:41:32Z)
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。