論文の概要: A Hybrid Deep-Learning Model for El Niño Southern Oscillation in the Low-Data Regime

• arxiv url: http://arxiv.org/abs/2412.03743v1
• Date: Wed, 04 Dec 2024 22:23:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-06 14:39:24.717813
• Title: A Hybrid Deep-Learning Model for El Niño Southern Oscillation in the Low-Data Regime
• Title（参考訳）: 低データレジームにおけるエルニーニョ南部振動のハイブリッドディープラーニングモデル
• Authors: Jakob Schlör, Matthew Newman, Jannik Thuemmel, Antonietta Capotondi, Bedartha Goswami,
• Abstract要約: エルニーニョ南部振動(en:El Nino Southern Oscillation,ENSO)予測は1年間前倒しできる。 ディープラーニングモデルは、何千年ものトレーニングデータを提供する気候モデルシミュレーションに基づいて、主にトレーニングされている。 これにより、LIMのモデストデータと、LIMのディープラーニング非マルコフ補正を組み合わせたハイブリッドなアプローチが実現される。 O(100 yr)データセットの場合、得られたHybridモデルはLIMよりも熟練しているが、完全なディープラーニングモデルのスキルを超えている。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: While deep-learning models have demonstrated skillful El Ni\~no Southern Oscillation (ENSO) forecasts up to one year in advance, they are predominantly trained on climate model simulations that provide thousands of years of training data at the expense of introducing climate model biases. Simpler Linear Inverse Models (LIMs) trained on the much shorter observational record also make skillful ENSO predictions but do not capture predictable nonlinear processes. This motivates a hybrid approach, combining the LIMs modest data needs with a deep-learning non-Markovian correction of the LIM. For O(100 yr) datasets, our resulting Hybrid model is more skillful than the LIM while also exceeding the skill of a full deep-learning model. Additionally, while the most predictable ENSO events are still identified in advance by the LIM, they are better predicted by the Hybrid model, especially in the western tropical Pacific for leads beyond about 9 months, by capturing the subsequent asymmetric (warm versus cold phases) evolution of ENSO.
• Abstract（参考訳）: 深層学習モデルは、前もって1年間、熟練したEl Ni\~no Southern Oscillation(ENSO)予測を示す一方で、気候モデルバイアスの導入を犠牲にして何千年ものトレーニングデータを提供する気候モデルシミュレーションを主に訓練している。 非常に短い観測記録に基づいて訓練された単純な線形逆モデル(LIM)は、巧妙なENSO予測を行うが、予測可能な非線形過程を捉えない。 これにより、LIMのモデストデータと、LIMのディープラーニング非マルコフ補正を組み合わせたハイブリッドなアプローチが実現される。 O(100 yr)データセットの場合、得られたHybridモデルはLIMよりも熟練しますが、完全なディープラーニングモデルのスキルを超越しています。 さらに、最も予測可能なENSOイベントは、LIMによって事前に特定されているが、特に西熱帯太平洋のハイブリッドモデルにより、約9ヶ月以上にわたって、ENSOのその後の非対称(温暖化と寒冷化)進化を捉えることにより、より予測されている。

関連論文リスト

• On conditional diffusion models for PDE simulations [53.01911265639582]
  スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。 本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。 また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-21T18:31:04Z)
• Embedding machine-learnt sub-grid variability improves climate model biases [0.44998333629984877]
  雲形成の下の表現は、気候シミュレーションに関連する長年の偏見である。 高分解能統一モデルシミュレーションで訓練された多出力ガウス過程(MOGP)を組み込むことで,これらのバイアスを克服する。 制御モデルとMLハイブリッドモデルの両方に対して10年間の予測が生成される。
  論文  参考訳（メタデータ） (2024-06-13T19:35:58Z)
• 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)
• Learning Sample Difficulty from Pre-trained Models for Reliable Prediction [55.77136037458667]
  本稿では,大規模事前学習モデルを用いて,サンプル難易度を考慮したエントロピー正規化による下流モデルトレーニングを指導する。 我々は、挑戦的なベンチマークで精度と不確実性の校正を同時に改善する。
  論文  参考訳（メタデータ） (2023-04-20T07:29:23Z)
• Stabilizing Machine Learning Prediction of Dynamics: Noise and Noise-inspired Regularization [58.720142291102135]
  近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。 緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。 トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
  論文  参考訳（メタデータ） (2022-11-09T23:40:52Z)
• Surrogate Ensemble Forecasting for Dynamic Climate Impact Models [0.0]
  本研究は, マラリア感染係数R0を予測するリバプールマラリアモデル(LMM)について考察した。 入力および出力データは、ランダムフォレスト量子回帰(RFQR)モデルとベイズ長短期記憶(BLSTM)ニューラルネットワークの形式で代理モデルをトレーニングするために使用される。
  論文  参考訳（メタデータ） (2022-04-12T13:30:01Z)
• Learning and Dynamical Models for Sub-seasonal Climate Forecasting: Comparison and Collaboration [20.52175766498954]
  サブシーズン気候予報(サブシーズン気候予報、Sub-seasonal climate forecasting、SSF)は、2週間から2ヶ月の時間地平線における気温や降水などの重要な気候変数の予測である。 近年の研究では、機械学習モデル(ML)がSSFを前進させる可能性を示している。
  論文  参考訳（メタデータ） (2021-09-29T06:34:34Z)
• Hybrid Physics and Deep Learning Model for Interpretable Vehicle State Prediction [75.1213178617367]
  深層学習と物理運動モデルを組み合わせたハイブリッドアプローチを提案する。 ハイブリッドモデルの一部として,ディープニューラルネットワークの出力範囲を制限することで,解釈可能性を実現する。 その結果, ハイブリッドモデルでは, 既存のディープラーニング手法に比べて精度を低下させることなく, モデル解釈性が向上できることがわかった。
  論文  参考訳（メタデータ） (2021-03-11T15:21:08Z)
• Reservoir Computing as a Tool for Climate Predictability Studies [0.0]
  我々は、Reservoir Computingが線形逆モデリングアプローチの予測スキルを改善する代替非線形アプローチを提供することを示す。 RC手法の幅広い条件に対する予測能力の向上は、この機械学習技術が気候予測可能性研究に有効である可能性を示唆している。
  論文  参考訳（メタデータ） (2021-02-24T22:22:59Z)
• Short-term daily precipitation forecasting with seasonally-integrated autoencoder [0.0]
  2つの長期メモリ(LSTM)オートエンコーダからなる季節統合オートエンコーダ(SSAE)を提案する。 実験結果から,SSAEは気候によらず様々な時系列モデルに優れるだけでなく,他の深層学習モデルと比較して出力のばらつきも低いことがわかった。
  論文  参考訳（メタデータ） (2021-01-23T14:19:56Z)

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。