論文の概要: HR-Extreme: A High-Resolution Dataset for Extreme Weather Forecasting

• arxiv url: http://arxiv.org/abs/2409.18885v1
• Date: Fri, 27 Sep 2024 16:20:51 GMT
• ステータス: 処理完了
• システム内更新日: 2024-10-01 08:01:28.120785
• Title: HR-Extreme: A High-Resolution Dataset for Extreme Weather Forecasting
• Title（参考訳）: HR-Extreme:極端気象予報のための高分解能データセット
• Authors: Nian Ran, Peng Xiao, Yue Wang, Wesley Shi, Jianxin Lin, Qi Meng, Richard Allmendinger,
• Abstract要約: 本研究では,高解像度の極端気象事例を包含した包括的データセットを提案する。 HR-Extreme上での最先端ディープラーニングモデルと数値気象予測システム(NWP)の評価を行った。
• 参考スコア（独自算出の注目度）: 12.561873438789242
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The application of large deep learning models in weather forecasting has led to significant advancements in the field, including higher-resolution forecasting and extended prediction periods exemplified by models such as Pangu and Fuxi. Despite these successes, previous research has largely been characterized by the neglect of extreme weather events, and the availability of datasets specifically curated for such events remains limited. Given the critical importance of accurately forecasting extreme weather, this study introduces a comprehensive dataset that incorporates high-resolution extreme weather cases derived from the High-Resolution Rapid Refresh (HRRR) data, a 3-km real-time dataset provided by NOAA. We also evaluate the current state-of-the-art deep learning models and Numerical Weather Prediction (NWP) systems on HR-Extreme, and provide a improved baseline deep learning model called HR-Heim which has superior performance on both general loss and HR-Extreme compared to others. Our results reveal that the errors of extreme weather cases are significantly larger than overall forecast error, highlighting them as an crucial source of loss in weather prediction. These findings underscore the necessity for future research to focus on improving the accuracy of extreme weather forecasts to enhance their practical utility.
• Abstract（参考訳）: 気象予報における大規模深層学習モデルの応用は、パングやフクシといったモデルで実証された高解像度予測や予測期間の延長など、この分野に大きな進歩をもたらした。 これらの成功にもかかわらず、過去の研究は、極度の気象事象の無視が主な特徴であり、そのような事象のために特別にキュレーションされたデータセットが利用可能であることは、依然として限られている。 そこで本研究では,NOAAが提供する3kmのリアルタイムデータセットであるHRRR(High-Resolution Rapid Refresh)データから得られた高解像度の極端気象事例を包含した包括的データセットを提案する。 また、HR-Extreme上での最先端ディープラーニングモデルと数値気象予測(NWP)システムの評価を行い、HR-Heimと呼ばれる改良されたベースライン深層学習モデルを提案する。 以上の結果から,極度の気象ケースの誤差は全体の予測誤差よりも著しく大きいことが判明した。 これらの知見は、今後の研究において、その実用性を高めるために、極端な天気予報の精度を改善することに焦点を当てる必要性を浮き彫りにしている。

関連論文リスト

• FuXi Weather: A data-to-forecast machine learning system for global weather [13.052716094161886]
  FuXi Weatherは、複数の衛星のデータと類似した機械学習の天気予報システムである。 FuXi 気象は、中央アフリカなどの観測圏において、ECMWF HRES を一貫して上回っている。
  論文  参考訳（メタデータ） (2024-08-10T07:42:01Z)
• 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)
• How far are today's time-series models from real-world weather forecasting applications? [22.68937280154092]
  WEATHER-5Kは、現実世界のシナリオをよりよく反映した観測気象データの包括的収集である。 これにより、モデルのより良いトレーニングと、TSFモデルの現実の予測能力のより正確な評価が可能になる。 我々は,学術的TSFモデルと実世界の天気予報アプリケーションとのギャップを,研究者に明確に評価する。
  論文  参考訳（メタデータ） (2024-06-20T15:18:52Z)
• EWMoE: An effective model for global weather forecasting with mixture-of-experts [6.695845790670147]
  本研究では,地球規模の天気予報に有効なモデルであるEWMoEを提案する。 本モデルは,3次元絶対位置埋め込み,Mixture-of-Experts層,および2つの特定の損失関数の3つの重要な要素を組み込んで予測精度を向上させる。
  論文  参考訳（メタデータ） (2024-05-09T16:42:13Z)
• 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)
• 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)
• GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
  我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。 全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。 我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-12-24T18:15:39Z)
• A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
  本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。 提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
  論文  参考訳（メタデータ） (2020-06-13T20:53:17Z)

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。