論文の概要: DeepMedcast: A Deep Learning Method for Generating Intermediate Weather Forecasts among Multiple NWP Models

• arxiv url: http://arxiv.org/abs/2411.10010v1
• Date: Fri, 15 Nov 2024 07:42:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-18 15:39:08.290124
• Title: DeepMedcast: A Deep Learning Method for Generating Intermediate Weather Forecasts among Multiple NWP Models
• Title（参考訳）: DeepMedcast: 複数のNWPモデル間の中間天気予報を生成するディープラーニング手法
• Authors: Atsushi Kudo,
• Abstract要約: 我々は2つ以上のNWP出力間で中間予測を生成するディープラーニング手法であるDeepMedcastを紹介した。 アンサンブル平均値とは異なり、DeepMedcastは気象分野を歪ませることなく一貫した説明可能なメドキャストを提供することができる。 本稿では、DeepMedcastの方法論とケーススタディを詳述し、その利点と運用予測への潜在的貢献について議論する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Numerical weather prediction (NWP) centers around the world operate a variety of NWP models, and recent advances in AI-driven NWP models have increased the availability of diverse NWP outputs. While this expansion holds the potential to improve forecast accuracy, it also raises a critical challenge of identifying the most reliable predictions for specific forecast scenarios. Traditional approaches, such as ensemble or weighted averaging, combine multiple NWP outputs but often generate unrealistic atmospheric fields, complicating the production of reliable and consistent forecasts in operational settings. In this study, we introduce DeepMedcast, a deep learning method that generates intermediate forecast, or "medcast", between two or more NWP outputs. Unlike ensemble averaging, DeepMedcast can provide consistent and explainable medcast without distorting meteorological fields. This paper details the methodology and case studies of DeepMedcast, discussing its advantages and potential contributions to operational forecasting.
• Abstract（参考訳）: 世界中の数値気象予報(NWP)センターが様々なNWPモデルを運用しており、AI駆動型NWPモデルの最近の進歩により、多様なNWP出力が利用可能になった。 この拡張は予測精度を改善する可能性を秘めているが、特定の予測シナリオに対して最も信頼性の高い予測を特定するという重要な課題も提起している。 アンサンブルや重み付け平均化のような伝統的なアプローチは、複数のNWP出力を組み合わせるが、しばしば非現実的な大気場を生成し、運用環境での信頼性と一貫性のある予測の生成を複雑にする。 本研究では,2つ以上のNWP出力間で中間予測を生成するディープラーニング手法であるDeepMedcastを紹介する。 アンサンブル平均値とは異なり、DeepMedcastは気象分野を歪ませることなく一貫した説明可能なメドキャストを提供することができる。 本稿では、DeepMedcastの方法論とケーススタディを詳述し、その利点と運用予測への潜在的貢献について議論する。

関連論文リスト

• Aardvark weather: end-to-end data-driven weather forecasting [30.219727555662267]
  Aardvark Weatherは、エンドツーエンドのデータ駆動型天気予報システムである。 生の観測を取り込み、グローバルなグリッド化された予測とローカルステーションの予測を出力する。 興味事の量よりもパフォーマンスを最大化するために、エンドツーエンドに最適化することができる。
  論文  参考訳（メタデータ） (2024-03-30T16:41:24Z)
• 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)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast [91.9372563527801]
  我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。 初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。 Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
  論文  参考訳（メタデータ） (2022-11-03T17:19:43Z)
• Benchmark Dataset for Precipitation Forecasting by Post-Processing the Numerical Weather Prediction [11.52104902059751]
  スタンドアロンNWPとDLのギャップを埋めるためのハイブリッドNWP-DLワークフローを提案する。 このワークフローでは、NWP出力を深いモデルに入力し、データを後処理して洗練された降水予測を生成する。 我々は,NWP予測とAWS観測による朝鮮半島の新たなデータセットを提案する。
  論文  参考訳（メタデータ） (2022-06-30T12:41:32Z)
• 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)
• 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)
• Machine learning for total cloud cover prediction [0.0]
  本稿では,多層パーセプトロン(MLP)ニューラルネットワーク,勾配促進機(GBM)およびランダムフォレスト(RF)法を用いた後処理の性能について検討する。 生のアンサンブルと比較して、全ての校正法は予測スキルを著しく向上させる。 RFモデルは予測性能が最小となる一方、POLRとGBMのアプローチは最良である。
  論文  参考訳（メタデータ） (2020-01-16T17:13:37Z)

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。