論文の概要: Advancing Heatwave Forecasting via Distribution Informed-Graph Neural Networks (DI-GNNs): Integrating Extreme Value Theory with GNNs

• arxiv url: http://arxiv.org/abs/2411.13496v1
• Date: Wed, 20 Nov 2024 17:45:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-21 16:11:30.096842
• Title: Advancing Heatwave Forecasting via Distribution Informed-Graph Neural Networks (DI-GNNs): Integrating Extreme Value Theory with GNNs
• Title（参考訳）: 分布インフォームドグラフニューラルネットワーク(DI-GNN)による熱波予測の促進 : 極値理論とGNNの統合
• Authors: Farrukh A. Chishtie, Dominique Brunet, Rachel H. White, Daniel Michelson, Jing Jiang, Vicky Lucas, Emily Ruboonga, Sayana Imaash, Melissa Westland, Timothy Chui, Rana Usman Ali, Mujtaba Hassan, Roland Stull, David Hudak,
• Abstract要約: 極端な熱の長い期間である熱波は、気候変動による頻度と重大さを増している。 気象スケール(1～15日)での正確な熱波予測は、大気中のドライバ間の非線形相互作用と、これらの極端な事象の希少性により、依然として困難である。 本研究では、極値理論(EVT)の原理をグラフニューラルネットワークアーキテクチャに統合する新しいフレームワークであるDis Distribution-Informed Graph Neural Network (DI-GNN)を紹介する。
• 参考スコア（独自算出の注目度）: 3.1648929705158357
• License:
• Abstract: Heatwaves, prolonged periods of extreme heat, have intensified in frequency and severity due to climate change, posing substantial risks to public health, ecosystems, and infrastructure. Despite advancements in Machine Learning (ML) modeling, accurate heatwave forecasting at weather scales (1--15 days) remains challenging due to the non-linear interactions between atmospheric drivers and the rarity of these extreme events. Traditional models relying on heuristic feature engineering often fail to generalize across diverse climates and capture the complexities of heatwave dynamics. This study introduces the Distribution-Informed Graph Neural Network (DI-GNN), a novel framework that integrates principles from Extreme Value Theory (EVT) into the graph neural network architecture. DI-GNN incorporates Generalized Pareto Distribution (GPD)-derived descriptors into the feature space, adjacency matrix, and loss function to enhance its sensitivity to rare heatwave occurrences. By prioritizing the tails of climatic distributions, DI-GNN addresses the limitations of existing methods, particularly in imbalanced datasets where traditional metrics like accuracy are misleading. Empirical evaluations using weather station data from British Columbia, Canada, demonstrate the superior performance of DI-GNN compared to baseline models. DI-GNN achieved significant improvements in balanced accuracy, recall, and precision, with high AUC and average precision scores, reflecting its robustness in distinguishing heatwave events.
• Abstract（参考訳）: 極端な暑さの長い熱波は、気候変動による頻度と深刻度を増し、公衆衛生、生態系、インフラに重大なリスクをもたらしている。 機械学習(ML)モデリングの進歩にもかかわらず、気象スケール(1～15日)での正確な熱波予測は、大気中のドライバ間の非線形相互作用と、これらの極端な事象の希少性により、依然として困難である。 ヒューリスティックな特徴工学に依存した伝統的なモデルは、様々な気候をまたいだ一般化に失敗し、熱波力学の複雑さをとらえる。 本研究では、極値理論(EVT)の原理をグラフニューラルネットワークアーキテクチャに統合する新しいフレームワークであるDis Distribution-Informed Graph Neural Network (DI-GNN)を紹介する。 DI-GNNは、GPD(Generalized Pareto Distribution)由来の記述子を特徴空間、隣接行列、損失関数に組み込んで、稀な熱波発生に対する感度を高める。 気候分布のテールを優先順位付けすることで、DI-GNNは既存のメソッドの制限、特に精度のような従来のメトリクスが誤解を招く不均衡なデータセットに対処する。 カナダ・ブリティッシュコロンビア州の気象観測所データを用いた実証評価では,基準モデルと比較して,DI-GNNの性能が優れていた。 DI-GNNは、高いAUCと平均精度のスコアでバランスの取れた精度、リコール、精度を大幅に改善した。

関連論文リスト

• Deep Learning for Weather Forecasting: A CNN-LSTM Hybrid Model for Predicting Historical Temperature Data [7.559331742876793]
  本研究では,畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)を併用したハイブリッドモデルを提案する。 CNNは空間的特徴抽出に利用され、LSTMは時間的依存を処理し、予測精度と安定性が大幅に向上する。
  論文  参考訳（メタデータ） (2024-10-19T03:38:53Z)
• Weather Prediction Using CNN-LSTM for Time Series Analysis: A Case Study on Delhi Temperature Data [0.0]
  本研究では,デリー地域の温度予測精度を高めるために,ハイブリッドCNN-LSTMモデルを提案する。 モデルの構築とトレーニングには,包括的データ前処理や探索分析など,直接的および間接的手法を併用した。 実験結果から,CNN-LSTMモデルが従来の予測手法よりも精度と安定性の両面で優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-09-14T11:06:07Z)
• TG-PhyNN: An Enhanced Physically-Aware Graph Neural Network framework for forecasting Spatio-Temporal Data [3.268628956733623]
  この研究は、新しいテンポラルグラフ物理インフォームドニューラルネットワークフレームワークであるTG-PhyNNを提示する。 TG-PhyNNは、グラフベースのモデリングにGNNのパワーを活用しながら、トレーニング中に物理的な制約を指針原理として組み込む。 以上の結果から,TG-PhyNNは従来の予測モデルよりも有意に優れていた。 TG-PhyNNは、物理プロセスがデータのダイナミクスを制御しているさまざまな領域において、より信頼性が高く正確な予測を提供するために、効果的に活用する。
  論文  参考訳（メタデータ） (2024-08-29T09:41:17Z)
• Advances in Land Surface Model-based Forecasting: A comparative study of LSTM, Gradient Boosting, and Feedforward Neural Network Models as prognostic state emulators [4.852378895360775]
  地表面プロセスのシミュレーションによる実験研究の高速化における3つの代理モデルの効率性を評価する。 以上の結果から, LSTMネットワークは, 予測期間を経た平均モデル全体の精度は高いが, 慎重に調整した場合は, 大陸の長距離予測に優れることがわかった。
  論文  参考訳（メタデータ） (2024-07-23T13:26:05Z)
• A Generalized Transformer-based Radio Link Failure Prediction Framework in 5G RANs [2.519319150166215]
  本稿では,グラフニューラルネットワーク(GNN)に基づく学習可能な気象効果集約モジュールを導入した新しいRLF予測フレームワークであるGenTrapを提案する。 我々は、GenTrapを260万のデータポイントを持つ2つの実世界のデータセットで評価し、GenTrapがF1スコア(農村では0.93、都市では0.79)を、そのデータセットよりもはるかに高く提供していることを示す。
  論文  参考訳（メタデータ） (2024-07-06T21:57:23Z)
• SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
  天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。 伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。 本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:00:15Z)
• Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
  本稿では,天気予報をより微細なテンポラルスケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。 具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。 我々は、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-05-22T16:21:02Z)
• 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)
• Dynamic Causal Explanation Based Diffusion-Variational Graph Neural Network for Spatio-temporal Forecasting [60.03169701753824]
  時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。 提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
  論文  参考訳（メタデータ） (2023-05-16T11:38:19Z)
• MAgNet: Mesh Agnostic Neural PDE Solver [68.8204255655161]
  気候予測は、流体シミュレーションにおける全ての乱流スケールを解決するために、微細な時間分解能を必要とする。 現在の数値モデル解法 PDEs on grids that too coarse (3km～200km on each side) 本研究では,空間的位置問合せが与えられたPDEの空間的連続解を予測する新しいアーキテクチャを設計する。
  論文  参考訳（メタデータ） (2022-10-11T14:52:20Z)
• Forecasting large-scale circulation regimes using deformable convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
  変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討 今後1～15日にわたって北大西洋-欧州の気象条件を予測した。 より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
  論文  参考訳（メタデータ） (2022-02-10T11:37:00Z)

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。