論文の概要: Spatially Regularized Graph Attention Autoencoder Framework for Detecting Rainfall Extremes

• arxiv url: http://arxiv.org/abs/2411.07753v1
• Date: Tue, 12 Nov 2024 12:24:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-13 13:20:47.105536
• Title: Spatially Regularized Graph Attention Autoencoder Framework for Detecting Rainfall Extremes
• Title（参考訳）: 降雨極端検出のための空間正規化グラフ注意オートエンコーダフレームワーク
• Authors: Mihir Agarwal, Progyan Das, Udit Bhatia,
• Abstract要約: 1990年から2015年までのインドにおける降雨データにおけるスケーラブルな異常検出の課題に対処するために,空間正規化を備えたグラフ注意自動符号化(GAE)を導入している。 我々の研究は、気候科学における高度な時間的異常検出手法の道のりを開拓し、より良い気候準備と応答戦略に寄与する。
• 参考スコア（独自算出の注目度）: 2.273531916003657
• License:
• Abstract: We introduce a novel Graph Attention Autoencoder (GAE) with spatial regularization to address the challenge of scalable anomaly detection in spatiotemporal rainfall data across India from 1990 to 2015. Our model leverages a Graph Attention Network (GAT) to capture spatial dependencies and temporal dynamics in the data, further enhanced by a spatial regularization term ensuring geographic coherence. We construct two graph datasets employing rainfall, pressure, and temperature attributes from the Indian Meteorological Department and ERA5 Reanalysis on Single Levels, respectively. Our network operates on graph representations of the data, where nodes represent geographic locations, and edges, inferred through event synchronization, denote significant co-occurrences of rainfall events. Through extensive experiments, we demonstrate that our GAE effectively identifies anomalous rainfall patterns across the Indian landscape. Our work paves the way for sophisticated spatiotemporal anomaly detection methodologies in climate science, contributing to better climate change preparedness and response strategies.
• Abstract（参考訳）: 1990年から2015年までのインドにおける時空間降雨データにおけるスケーラブルな異常検出の課題に対処するために,空間正規化を備えた新しいグラフ注意オートエンコーダ(GAE)を導入した。 我々のモデルでは,空間的依存や時間的ダイナミクスを捕捉するために,グラフ注意ネットワーク(GAT)を活用し,地理的コヒーレンスを保証する空間正規化項によってさらに強化する。 インド気象庁の降水量, 気圧, 温度特性を用いた2つのグラフデータセットを構築した。 我々のネットワークはデータのグラフ表現で動作し、ノードは地理的な位置を表現し、エッジはイベント同期によって推測される。 大規模な実験を通じて,我々のGAEがインド全土の異常降雨パターンを効果的に同定できることを実証した。 我々の研究は、気候科学における高度な時空間異常検出手法の道を開き、気候変動の準備と対応戦略の改善に寄与する。

関連論文リスト

• MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
  気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。 以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。 本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
  論文  参考訳（メタデータ） (2024-08-20T13:45:49Z)
• 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)
• Explainable Global Wildfire Prediction Models using Graph Neural Networks [2.2389592950633705]
  本稿では,グローバルな山火事予測のための革新的なグラフニューラルネットワーク(GNN)モデルを提案する。 我々のアプローチは、地球温暖化や山火事のデータをグラフ表現に変換し、ヌル海洋データロケーションのような課題に対処します。
  論文  参考訳（メタデータ） (2024-02-11T10:44:41Z)
• Observation-Guided Meteorological Field Downscaling at Station Scale: A Benchmark and a New Method [66.80344502790231]
  気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。 データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。 提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
  論文  参考訳（メタデータ） (2024-01-22T14:02:56Z)
• GA-SmaAt-GNet: Generative Adversarial Small Attention GNet for Extreme Precipitation Nowcasting [1.642094639107215]
  本稿では,極度の降水量予測のための新しい生成逆解析フレームワークであるGA-SmaAt-GNetモデルを提案する。 オランダの降水量データを用いて,SmaAt-GNetとGA-SmaAt-GNetの性能評価を行った。
  論文  参考訳（メタデータ） (2024-01-18T10:53:45Z)
• GD-CAF: Graph Dual-stream Convolutional Attention Fusion for Precipitation Nowcasting [1.642094639107215]
  降水マップの履歴グラフから学習するために,GD-CAF (Graph Dual-streamtemporal Conal Attention Fusion) を導入した。 GD-CAFは、ゲート・テンポラル・コンボリューション・アテンションと、深度に分離可能なコンボリューション・オペレーションを備えた融合モジュールで構成されている。 ERA5データセットから収集したヨーロッパとその周辺地域の7年間の降水分布図を評価した。
  論文  参考訳（メタデータ） (2024-01-15T20:54:20Z)
• WeatherGNN: Exploiting Meteo- and Spatial-Dependencies for Local Numerical Weather Prediction Bias-Correction [11.10401300641113]
  本研究では,気象的依存関係と空間的依存関係を利用した局所的なNWPバイアス補正手法であるWeatherGNNを提案する。 2つの実世界のデータセットに対する実験結果から、WeatherGNNは最先端のパフォーマンスを達成し、RMSEの平均4.75%で最高のベースラインを上回りました。
  論文  参考訳（メタデータ） (2023-10-09T08:33:19Z)
• Activation Regression for Continuous Domain Generalization with Applications to Crop Classification [48.795866501365694]
  衛星画像の地理的変異は、機械学習モデルが新しい領域に一般化する能力に影響を与える。 中分解能ランドサット8衛星画像の地理的一般化を連続領域適応問題としてモデル化する。 我々は,アメリカ大陸全域に空間分布するデータセットを開発した。
  論文  参考訳（メタデータ） (2022-04-14T15:41:39Z)
• HiSTGNN: Hierarchical Spatio-temporal Graph Neural Networks for Weather Forecasting [13.317147032467306]
  複数の局における気象変数間の時間的相互相関をモデル化するためのグラフ階層時空間ニューラルネットワーク(HiSTGNN)を提案する。 3つの実世界の気象データセットの実験結果は、HiSTGNNが7つの基準線を超える優れた性能を示した。 特に最先端の天気予報法と比較して誤差を4.2%から11.6%に減らす。
  論文  参考訳（メタデータ） (2022-01-22T17:30:46Z)
• Deep Graph-level Anomaly Detection by Glocal Knowledge Distillation [61.39364567221311]
  グラフレベルの異常検出(GAD)は、その構造やノードの特徴に異常なグラフを検出する問題を記述している。 GADの課題の1つは、局所的および大域的非正則グラフの検出を可能にするグラフ表現を考案することである。 本稿では,グラフとノード表現の連成ランダム蒸留により,グローバルおよびローカルな正規パターン情報を豊富に学習するGADのための新しい深部異常検出手法を提案する。
  論文  参考訳（メタデータ） (2021-12-19T05:04:53Z)
• Structural Temporal Graph Neural Networks for Anomaly Detection in Dynamic Graphs [54.13919050090926]
  本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。 特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。 抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
  論文  参考訳（メタデータ） (2020-05-15T09:17:08Z)

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。