Fugu-MT 論文翻訳(概要): Improving ensemble extreme precipitation forecasts using generative artificial intelligence

論文の概要: Improving ensemble extreme precipitation forecasts using generative artificial intelligence

arxiv url: http://arxiv.org/abs/2407.04882v1
Date: Fri, 5 Jul 2024 22:30:33 GMT
ステータス: 処理完了
システム内更新日: 2024-07-09 22:07:12.931601
Title: Improving ensemble extreme precipitation forecasts using generative artificial intelligence
Title（参考訳）: 生成人工知能を用いたアンサンブル極端降水予測の改善
Authors: Yingkai Sha, Ryan A. Sobash, David John Gagne II,
Abstract要約: 大陸間における極端降水現象の確率予測を改善するために, アンサンブル後処理法を開発した。この方法は、バイアス補正のための3次元視覚変換器(ViT)と、生成人工知能(AI)法である潜在拡散モデル(LDM)とを6時間後の降水アンサンブル予測に組み合わせる。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: An ensemble post-processing method is developed to improve the probabilistic forecasts of extreme precipitation events across the conterminous United States (CONUS). The method combines a 3-D Vision Transformer (ViT) for bias correction with a Latent Diffusion Model (LDM), a generative Artificial Intelligence (AI) method, to post-process 6-hourly precipitation ensemble forecasts and produce an enlarged generative ensemble that contains spatiotemporally consistent precipitation trajectories. These trajectories are expected to improve the characterization of extreme precipitation events and offer skillful multi-day accumulated and 6-hourly precipitation guidance. The method is tested using the Global Ensemble Forecast System (GEFS) precipitation forecasts out to day 6 and is verified against the Climate-Calibrated Precipitation Analysis (CCPA) data. Verification results indicate that the method generated skillful ensemble members with improved Continuous Ranked Probabilistic Skill Scores (CRPSSs) and Brier Skill Scores (BSSs) over the raw operational GEFS and a multivariate statistical post-processing baseline. It showed skillful and reliable probabilities for events at extreme precipitation thresholds. Explainability studies were further conducted, which revealed the decision-making process of the method and confirmed its effectiveness on ensemble member generation. This work introduces a novel, generative-AI-based approach to address the limitation of small numerical ensembles and the need for larger ensembles to identify extreme precipitation events.
Abstract（参考訳）: 大陸間(CONUS)における極端降水現象の確率的予測を改善するために,アンサンブル後処理法を開発した。この方法は、バイアス補正のための3次元視覚変換器(ViT)と、生成人工知能(AI)法である潜在拡散モデル(LDM)とを組み合わせて、6時間の降水アンサンブル予測を後処理し、時空間的に一貫した降水軌跡を含む拡大した生成アンサンブルを生成する。これらの軌道は, 極端降水現象のキャラクタリゼーションを改善し, 熟練した多日降水誘導と6時間降水誘導を提供することが期待されている。本手法は,地球環境予報システム (GEFS) による6日目の降水予測を用いて検証し,気候キャリブレーション降水分析 (CCPA) データと比較した。その結果,実運用GEFSおよび多変量統計後処理ベースライン上で,CRPSS(Continuous Ranked Probabilistic Skill Scores)とBridge Skill Scores(Brier Skill Scores)を改良した巧妙なアンサンブル構成体を生成した。極度の降水閾値のイベントに対して、巧妙で信頼性の高い確率を示した。さらに説明可能性調査を行い, 方法の決定過程を明らかにし, アンサンブルメンバー生成における有効性を確認した。この研究は、小さな数値アンサンブルの制限に対処し、極端な降水イベントを特定するためにより大きなアンサンブルを必要とする新しい、生成型AIベースのアプローチを導入する。

関連論文リスト

Improving probabilistic forecasts of extreme wind speeds by training statistical post-processing models with weighted scoring rules [0.0]
閾値重み付き連続ランク確率スコア(twCRPS)を用いたトレーニングは、後処理モデルの極端なイベント性能を向上させる。極端事象の確率論的予測の性能が向上し,分布物体の予測性能が低下する分布体テールトレードオフが発見された。
論文参考訳（メタデータ） (2024-07-22T11:07:52Z)
CasCast: Skillful High-resolution Precipitation Nowcasting via Cascaded Modelling [93.65319031345197]
本稿では,メソスケール降水分布と小規模パターンの予測を分離するために,決定的かつ確率的な部分からなるカスケードフレームワークCasCastを提案する。 CasCastは地域の極端降水量計のベースライン(+91.8%)をはるかに上回っている。
論文参考訳（メタデータ） (2024-02-06T08:30:47Z)
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)
Generative ensemble deep learning severe weather prediction from a deterministic convection-allowing model [0.0]
コンボリューション・ニューラル・ネットワーク(CNN)とコンボリューション・コンボリューション・アロイング・モデル(CAM)予測を併用する。 CGANは決定論的CAM予測から合成アンサンブルメンバーを作成するように設計されている。この手法は,BSS(Brier Skill Score)を最大20%の精度で予測できる。
論文参考訳（メタデータ） (2023-10-09T18:02:11Z)
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 [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)
Forecast reconciliation for vaccine supply chain optimization [61.13962963550403]
ワクチンサプライチェーン最適化は階層的な時系列予測の恩恵を受けることができる。異なる階層レベルの予測は、上位レベルの予測が下位レベルの予測の総和と一致しないときに不整合となる。我々は2010年から2021年にかけてのGSKの販売データを階層的時系列としてモデル化し,ワクチン販売予測問題に取り組む。
論文参考訳（メタデータ） (2023-05-02T14:34:34Z)
Towards replacing precipitation ensemble predictions systems using machine learning [0.0]
本研究では,高分解能降水に対するアンサンブル気象予測のための新しい手法を提案する。本手法は,複雑な降水パターンを学習するために生成的対向ネットワークを用いる。本研究では, 未確認高解像度の降水アンサンブル部材の現実的な生成の可能性を示す。
論文参考訳（メタデータ） (2023-04-20T12:20:35Z)
A Generative Deep Learning Approach to Stochastic Downscaling of Precipitation Forecasts [0.5906031288935515]
GAN(Generative Adversarial Network)は、コンピュータビジョンコミュニティによって超高解像度問題で成功することが実証されている。 GANとVAE-GANは、高分解能で空間的に整合した降水マップを作成しながら、最先端のポイントワイズポストプロセッシング手法の統計的特性と一致することを示す。
論文参考訳（メタデータ） (2022-04-05T07:19:42Z)
Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
論文参考訳（メタデータ） (2020-12-23T16:21:34Z)
Machine learning for total cloud cover prediction [0.0]
本稿では,多層パーセプトロン(MLP)ニューラルネットワーク,勾配促進機(GBM)およびランダムフォレスト(RF)法を用いた後処理の性能について検討する。生のアンサンブルと比較して、全ての校正法は予測スキルを著しく向上させる。 RFモデルは予測性能が最小となる一方、POLRとGBMのアプローチは最良である。
論文参考訳（メタデータ） (2020-01-16T17:13:37Z)

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。