論文の概要: Huge Ensembles Part II: Properties of a Huge Ensemble of Hindcasts Generated with Spherical Fourier Neural Operators

• arxiv url: http://arxiv.org/abs/2408.01581v1
• Date: Fri, 2 Aug 2024 21:31:34 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-06 19:30:18.819576
• Title: Huge Ensembles Part II: Properties of a Huge Ensemble of Hindcasts Generated with Spherical Fourier Neural Operators
• Title（参考訳）: 巨大アンサンブル(第2報)球状フーリエニューラル演算子を用いたハインドキャストの大規模アンサンブルの特性
• Authors: Ankur Mahesh, William Collins, Boris Bonev, Noah Brenowitz, Yair Cohen, Peter Harrington, Karthik Kashinath, Thorsten Kurth, Joshua North, Travis OBrien, Michael Pritchard, David Pruitt, Mark Risser, Shashank Subramanian, Jared Willard,
• Abstract要約: 第1部では,球面ニューラル演算子に基づくアンサンブルを作成した。 第2部では,2023年夏の1日7,424人からなる巨大なアンサンブル(HENS)を生成している。 HENSは予測分布の尾部を正確にサンプリングし、内部変数の詳細なサンプリングを行う。
• 参考スコア（独自算出の注目度）: 1.8986950987113536
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In Part I, we created an ensemble based on Spherical Fourier Neural Operators. As initial condition perturbations, we used bred vectors, and as model perturbations, we used multiple checkpoints trained independently from scratch. Based on diagnostics that assess the ensemble's physical fidelity, our ensemble has comparable performance to operational weather forecasting systems. However, it requires several orders of magnitude fewer computational resources. Here in Part II, we generate a huge ensemble (HENS), with 7,424 members initialized each day of summer 2023. We enumerate the technical requirements for running huge ensembles at this scale. HENS precisely samples the tails of the forecast distribution and presents a detailed sampling of internal variability. For extreme climate statistics, HENS samples events 4$\sigma$ away from the ensemble mean. At each grid cell, HENS improves the skill of the most accurate ensemble member and enhances coverage of possible future trajectories. As a weather forecasting model, HENS issues extreme weather forecasts with better uncertainty quantification. It also reduces the probability of outlier events, in which the verification value lies outside the ensemble forecast distribution.
• Abstract（参考訳）: パートIでは,球状フーリエニューラル演算子に基づくアンサンブルを作成した。 初期条件摂動として、ブレッドベクトルを用い、モデル摂動として、スクラッチから独立して訓練された複数のチェックポイントを用いた。 アンサンブルの物理的忠実度を評価する診断に基づいて、我々のアンサンブルは運用天気予報システムに匹敵する性能を有する。 しかし、数桁の計算資源を必要とする。 第2部では,2023年夏から1日に7,424人が参加し,巨大なアンサンブル(HENS)を発生させる。 この規模で巨大なアンサンブルを実行するための技術的要件を列挙します。 HENSは予測分布の尾部を正確にサンプリングし、内部変数の詳細なサンプリングを行う。 極端な気候統計では、HENSはアンサンブル平均から4$\sigma$のイベントをサンプリングする。 各グリッドセルにおいて、HENSは最も正確なアンサンブル部材のスキルを改善し、将来の軌道のカバレッジを高める。 天気予報モデルとして、HENSは、不確実性の定量化を向上した極端な天気予報を発行する。 また、検証値がアンサンブル予測分布の外側にあるような、外れ値イベントの確率を下げる。

関連論文リスト

• 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)
• Huge Ensembles Part I: Design of Ensemble Weather Forecasts using Spherical Fourier Neural Operators [1.8631104006124717]
  機械学習を使って、巨大な天気のアンサンブルのヒンドキャストを生成します。 第1部:球状フーリエニューラル演算子(SFNO)に基づくアンサンブル天気予報システムの構築 パートII: MLの極端な天気予報は信頼性と差別性を示す。
  論文  参考訳（メタデータ） (2024-08-06T11:04:25Z)
• 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,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 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)
• 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)
• SwinVRNN: A Data-Driven Ensemble Forecasting Model via Learned Distribution Perturbation [16.540748935603723]
  本研究では,SwinRNN予測器と摂動モジュールを組み合わせた天気予報モデルであるSwinVRNNを提案する。 SwinVRNNはECMWF統合予測システム(IFS)を2m温度と6時間総降水量で最大5日間のリードタイムで上回っている。
  論文  参考訳（メタデータ） (2022-05-26T05:11:58Z)
• Computing the ensemble spread from deterministic weather predictions using conditional generative adversarial networks [0.0]
  本稿では,深層学習アルゴリズムを用いて,アンサンブル予測システムの統計的特性を学習することを提案する。 訓練が終わると、将来のアンサンブル予測を得るためには、コストのかかるアンサンブル予測システムがもはや不要になる。
  論文  参考訳（メタデータ） (2022-05-18T19:10:38Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)
• Complex Event Forecasting with Prediction Suffix Trees: Extended Technical Report [70.7321040534471]
  複合イベント認識(CER)システムは、イベントのリアルタイムストリーム上のパターンを"即時"検出する能力によって、過去20年間に人気が高まっている。 このような現象が実際にCERエンジンによって検出される前に、パターンがいつ発生するかを予測する方法が不足している。 複雑なイベント予測の問題に対処しようとする形式的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-01T09:52:31Z)
• Feature-weighted Stacking for Nonseasonal Time Series Forecasts: A Case Study of the COVID-19 Epidemic Curves [0.0]
  本研究では,非シーズン時間帯での利用可能性について,予測におけるアンサンブル手法について検討する。 予備予測段階における予測能力を証明する2つの予測モデルと2つのメタ機能からなる重畳アンサンブルを用いて遅延データ融合を提案する。
  論文  参考訳（メタデータ） (2021-08-19T14:44:46Z)
• 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)
• A framework for probabilistic weather forecast post-processing across models and lead times using machine learning [3.1542695050861544]
  我々はNWPモデルと意思決定支援の「理想的な」予測とのギャップを埋める方法について述べる。 本研究では,各数値モデルの誤差プロファイルの学習にQuantile Regression Forestsを使用し,これを経験から得られた確率分布を予測に適用する。 第2に、これらの確率予測を量子平均化(quantile averaging)を用いて組み合わせ、第3に、集合量子化の間で補間して完全な予測分布を生成する。
  論文  参考訳（メタデータ） (2020-05-06T16:46:02Z)

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。