Fugu-MT 論文翻訳(概要): Uncertainty-aware segmentation for rainfall prediction post processing

論文の概要: Uncertainty-aware segmentation for rainfall prediction post processing

arxiv url: http://arxiv.org/abs/2408.16792v1
Date: Wed, 28 Aug 2024 16:31:40 GMT
ステータス: 処理完了
システム内更新日: 2024-09-02 17:28:49.094088
Title: Uncertainty-aware segmentation for rainfall prediction post processing
Title（参考訳）: 降雨予測ポスト処理のための不確実性認識セグメンテーション
Authors: Simone Monaco, Luca Monaco, Daniele Apiletti,
Abstract要約: 日次累積降水量の予測を後処理するための不確実性を考慮した深層学習モデルについて検討する。本研究では,様々な最先端モデルを比較し,よく知られたSDE-Netの変種を提案する。その結果,すべてのディープラーニングモデルは,平均的ベースラインNWPソリューションよりも有意に優れていた。
参考スコア（独自算出の注目度）: 0.7646713951724011
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Accurate precipitation forecasts are crucial for applications such as flood management, agricultural planning, water resource allocation, and weather warnings. Despite advances in numerical weather prediction (NWP) models, they still exhibit significant biases and uncertainties, especially at high spatial and temporal resolutions. To address these limitations, we explore uncertainty-aware deep learning models for post-processing daily cumulative quantitative precipitation forecasts to obtain forecast uncertainties that lead to a better trade-off between accuracy and reliability. Our study compares different state-of-the-art models, and we propose a variant of the well-known SDE-Net, called SDE U-Net, tailored to segmentation problems like ours. We evaluate its performance for both typical and intense precipitation events. Our results show that all deep learning models significantly outperform the average baseline NWP solution, with our implementation of the SDE U-Net showing the best trade-off between accuracy and reliability. Integrating these models, which account for uncertainty, into operational forecasting systems can improve decision-making and preparedness for weather-related events.
Abstract（参考訳）: 正確な降水予測は洪水管理、農業計画、水資源配分、気象予報などの応用に不可欠である。数値天気予報(NWP)モデルの進歩にもかかわらず、特に空間的および時間的解像度において、大きなバイアスと不確実性を示す。これらの制約に対処するために、日次累積量予測を後処理する不確実性を考慮したディープラーニングモデルを検討し、精度と信頼性のトレードオフを改善するための予測不確実性を得る。そこで本研究では,SDE U-Net(SDE U-Net)と呼ばれるSDE-Netの派生モデルを提案する。本研究は,典型的な降水と激しい降水の両方について,その性能を評価した。以上の結果から,SDE U-Netの実装により,すべてのディープラーニングモデルは平均ベースラインNWPソリューションよりも優れており,精度と信頼性の最良のトレードオフが示される。不確実性を考慮したこれらのモデルを運用予測システムに統合することで、気象関連イベントの意思決定と準備性を向上させることができる。

関連論文リスト

Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region [62.09891513612252]
地域レベルのダウンストリームタスクに特化して、リミテッド・エリア・モデリングに焦点を合わせ、モデルをトレーニングします。我々は,気象予報が水資源の管理,農業,極度の気象事象の影響軽減に重要であるという,気象学的課題からMENA地域を考察する。本研究では,パラメータ効率のよい微調整手法,特にローランド適応(LoRA)とその変種を統合することの有効性を検証することを目的とした。
論文参考訳（メタデータ） (2024-09-11T19:31:56Z)
Uncertainty quantification for data-driven weather models [0.0]
本研究では,現在最先端の決定論的データ駆動気象モデルであるPangu-Weatherから確率的天気予報を生成するための不確実性定量化手法について検討・比較する。具体的には,摂動によるアンサンブル予測を初期条件と比較し,予測の不確実性を定量化する手法を提案する。欧州における選択された気象変数の中距離予測のケーススタディにおいて,不確実な定量化手法を用いてパング・ウェザーモデルを用いて得られた確率的予測は,有望な結果を示す。
論文参考訳（メタデータ） (2024-03-20T10:07:51Z)
Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
気象予報に拡散モデル(DM)を適用した新しい手法を提案する。提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
論文参考訳（メタデータ） (2024-02-06T21:28:42Z)
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)
PostRainBench: A comprehensive benchmark and a new model for precipitation forecasting [14.855615256498]
数値気象予報(NWP)の事後処理に基づく降水予測に着目する。我々は,包括的マルチ変数NWP後処理ベンチマークである textbfPostRainBench と,シンプルで効果的なChannel Attention Enhanced Multi-task Learning フレームワークである textbfCAMT を紹介する。我々のモデルは,大雨条件下でNWPアプローチより優れた深層学習に基づく最初の手法である。
論文参考訳（メタデータ） (2023-10-04T09:27:39Z)
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)
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)
When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
論文参考訳（メタデータ） (2021-06-07T18:31:47Z)
Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文参考訳（メタデータ） (2021-01-31T06:49:33Z)
TRU-NET: A Deep Learning Approach to High Resolution Prediction of Rainfall [21.399707529966474]
本稿では,連続的畳み込み再帰層間の新しい2次元クロスアテンション機構を特徴とするエンコーダデコーダモデルであるTRU-NETを提案する。降雨のゼロ・スクイド・%極端事象パターンを捉えるために,条件付き連続損失関数を用いた。実験の結果,短期降水予測ではDLモデルよりもRMSEとMAEのスコアが低いことがわかった。
論文参考訳（メタデータ） (2020-08-20T17:27:59Z)

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。