論文の概要: Large Language Model Predicts Above Normal All India Summer Monsoon Rainfall in 2024

• arxiv url: http://arxiv.org/abs/2409.16799v1
• Date: Wed, 25 Sep 2024 10:32:18 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-27 04:30:14.871783
• Title: Large Language Model Predicts Above Normal All India Summer Monsoon Rainfall in 2024
• Title（参考訳）: 2024年のインド夏モンスーンの降水量、予想上回る
• Authors: Ujjawal Sharma, Madhav Biyani, Akhil Dev Suresh, Debi Prasad Bhuyan, Saroj Kanta Mishra, Tanmoy Chakraborty,
• Abstract要約: 本研究は,最新のLCMモデルであるPatchTSTの適応と微調整に着目し,AISMRを3ヶ月のリードタイムで正確に予測する。 2024年6月から9月にかけての降水量は921.6mmと推定される。
• 参考スコア（独自算出の注目度）: 14.231110627461
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reliable prediction of the All India Summer Monsoon Rainfall (AISMR) is pivotal for informed policymaking for the country, impacting the lives of billions of people. However, accurate simulation of AISMR has been a persistent challenge due to the complex interplay of various muti-scale factors and the inherent variability of the monsoon system. This research focuses on adapting and fine-tuning the latest LLM model, PatchTST, to accurately predict AISMR with a lead time of three months. The fine-tuned PatchTST model, trained with historical AISMR data, the Ni\~no3.4 index, and categorical Indian Ocean Dipole values, outperforms several popular neural network models and statistical models. This fine-tuned LLM model exhibits an exceptionally low RMSE percentage of 0.07% and a Spearman correlation of 0.976. This is particularly impressive, since it is nearly 80% more accurate than the best-performing NN models. The model predicts an above-normal monsoon for the year 2024, with an accumulated rainfall of 921.6 mm in the month of June-September for the entire country.
• Abstract（参考訳）: 全インド夏モンスーン降雨(AISMR)の信頼性の高い予測は、インドにとって重要な政策決定であり、数十億人の人々の生活に影響を及ぼす。 AISMRの正確なシミュレーションは、様々なミューティスケール要因の複雑な相互作用とモンスーン系固有の変動性のために、永続的な課題となっている。 本研究は,最新のLCMモデルであるPatchTSTの適応と微調整に着目し,AISMRを3ヶ月のリードタイムで正確に予測する。 微調整されたPatchTSTモデルは、歴史的AISMRデータ、Ni\~no3.4インデックス、カテゴリー的インド洋双極子値で訓練され、いくつかの人気のあるニューラルネットワークモデルと統計モデルを上回っている。 この微調整LDMモデルでは, RMSE比0.07%, スピアマン相関0.976。 これは特に印象的であり、最もパフォーマンスの良いNNモデルよりも80%近く正確である。 2024年6月から9月にかけての降水量は921.6mmと推定される。

関連論文リスト

• Machine learning models for daily rainfall forecasting in Northern Tropical Africa using tropical wave predictors [0.0]
  数値気象予報(NWP)モデルは、北熱帯アフリカにおけるより単純な気候学に基づく降水予測と比較すると性能が劣ることが多い。 本研究では,ガンマ回帰モデルと熱帯波(TW)で学習した畳み込みニューラルネットワーク(CNN)の2つの機械学習モデルを用いて,7～9月のモンスーンシーズンの日降雨を予測する。
  論文  参考訳（メタデータ） (2024-08-29T08:36:22Z)
• Solar Power Prediction Using Satellite Data in Different Parts of Nepal [0.0]
  この研究はネパールの5つの異なる地域に焦点を当て、CERES Syn1degとMERRA-2から得られた約10年間のデータセットを利用している。 その結果、R-squared(R2)スコアは、列車と試験の両方のデータセットのユニティに近く、太陽の照度を予測する精度が高いことが示唆された。
  論文  参考訳（メタデータ） (2024-06-08T04:23:21Z)
• Comparing skill of historical rainfall data based monsoon rainfall prediction in India with NCEP-NWP forecasts [1.7249361224827533]
  我々は、IMDから取得したインドの1日1グリッド降水データを用いて、空間分解能1回あたり1回あたり1回あたり1.99ドルという時間帯でニューラルネットワークを訓練する。 過去の降雨データにディープラーニングを適用した予測は,NWP予測や永続性に基づく予測よりも精度が高いと結論付けた。
  論文  参考訳（メタデータ） (2024-02-12T17:59:20Z)
• 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)
• FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather Forecasting [56.73502043159699]
  この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。 低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。 2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-01-28T13:23:25Z)
• Test-Time Adaptation Induces Stronger Accuracy and Agreement-on-the-Line [65.14099135546594]
  最近のテスト時間適応 (TTA) 法は, モデルに非常に弱い相関関係を示すシフトであっても, ACL と AGL の傾向を大幅に強化する。 この結果から,TTAとAGLに基づく推定手法を組み合わせることで,より広い分布シフトの集合に対する高精度なモデルOOD性能を推定できることが示唆された。
  論文  参考訳（メタデータ） (2023-10-07T23:21:25Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
  深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。 MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。 MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
  論文  参考訳（メタデータ） (2023-06-06T07:07:54Z)
• Landslide Susceptibility Prediction Modeling Based on Self-Screening Deep Learning Model [9.7723814375467]
  本稿では,自己スクリーニンググラフ畳み込みネットワークと長期記憶ネットワーク(SGCN-LSTM)を提案する。 設定しきい値間隔外において大きな誤差の地すべりサンプルを自己スクリーニング網で除去する。 環境要因間の非線形関係は空間ノードと時系列の両方から抽出できる。
  論文  参考訳（メタデータ） (2023-04-12T10:31:03Z)
• Strict baselines for Covid-19 forecasting and ML perspective for USA and Russia [105.54048699217668]
  Covid-19は、2年間にわたって蓄積されたデータセットを収集し、予測分析に使用できるようにする。 本研究は、米国とロシアの2カ国の地域データに基づいて、Covid-19の拡散のダイナミクスを予測するための様々な種類の方法に関する一貫した研究結果である。
  論文  参考訳（メタデータ） (2022-07-15T18:21:36Z)
• Comparison of Traditional and Hybrid Time Series Models for Forecasting COVID-19 Cases [0.5849513679510832]
  2019年12月の新型コロナウイルスの感染は、すでに世界中で数百万人を感染させ、拡大し続けています。 流行のカーブが平ら化し始めた直後、多くの国が再びケースの増加を目撃し始めている。 したがって、国家当局や保健当局に将来の時代の即時戦略を提供するには、時系列予測モデルの徹底的な分析が必要です。
  論文  参考訳（メタデータ） (2021-05-05T14:56:27Z)

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。