論文の概要: Regional Weather Variable Predictions by Machine Learning with Near-Surface Observational and Atmospheric Numerical Data

• arxiv url: http://arxiv.org/abs/2412.10450v2
• Date: Mon, 10 Feb 2025 22:39:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-12 14:04:14.823823
• Title: Regional Weather Variable Predictions by Machine Learning with Near-Surface Observational and Atmospheric Numerical Data
• Title（参考訳）: 近面観測データと大気圧数値データを用いた機械学習による地域気象変動予測
• Authors: Yihe Zhang, Bryce Turney, Purushottam Sigdel, Xu Yuan, Eric Rappin, Adrian Lago, Sytske Kimball, Li Chen, Paul Darby, Lu Peng, Sercan Aygun, Yazhou Tu, M. Hassan Najafi, Nian-Feng Tzeng,
• Abstract要約: 本稿では,ケンタッキー・メソネット駅の近地観測データを統合した新しい機械学習(ML)モデルであるMiMa(マイクロマクロのショート)を提案する。 MiMaは現在のモデルを大きく上回り、Re-MiMaは未完成の場所の正確な短期予測を提供する。
• 参考スコア（独自算出の注目度）: 22.54998659323974
• License:
• Abstract: Accurate and timely regional weather prediction is vital for sectors dependent on weather-related decisions. Traditional prediction methods, based on atmospheric equations, often struggle with coarse temporal resolutions and inaccuracies. This paper presents a novel machine learning (ML) model, called MiMa (short for Micro-Macro), that integrates both near-surface observational data from Kentucky Mesonet stations (collected every five minutes, known as Micro data) and hourly atmospheric numerical outputs (termed as Macro data) for fine-resolution weather forecasting. The MiMa model employs an encoder-decoder transformer structure, with two encoders for processing multivariate data from both datasets and a decoder for forecasting weather variables over short time horizons. Each instance of the MiMa model, called a modelet, predicts the values of a specific weather parameter at an individual Mesonet station. The approach is extended with Re-MiMa modelets, which are designed to predict weather variables at ungauged locations by training on multivariate data from a few representative stations in a region, tagged with their elevations. Re-MiMa (short for Regional-MiMa) can provide highly accurate predictions across an entire region, even in areas without observational stations. Experimental results show that MiMa significantly outperforms current models, with Re-MiMa offering precise short-term forecasts for ungauged locations, marking a significant advancement in weather forecasting accuracy and applicability.
• Abstract（参考訳）: 正確な地域気象予報は、気象に関する決定に依存するセクターにとって不可欠である。 大気方程式に基づく従来の予測法は、しばしば粗い時間分解と不正確さに苦しむ。 本稿では,ケンタッキー・メソネット基地(マイクロデータとして5分毎に収集される)の地上観測データと,高分解能気象予報のための時空数値出力(マクロデータ)を統合した機械学習(ML)モデルであるMiMa(マイクロマクロのショート)を提案する。 MiMaモデルはエンコーダ・デコーダ変換器構造を採用し、両方のデータセットから多変量データを処理するための2つのエンコーダと、短時間の地平線上での気象変数の予測のためのデコーダを備える。 MiMaモデルの各インスタンスは、モデルセットと呼ばれ、個々のメソネットステーションで特定の気象パラメータの値を予測する。 このアプローチはRe-MiMaモデルセットによって拡張され、ある地域のいくつかの代表局から多変量データをトレーニングし、その高度にタグ付けすることで、未ゲージの場所での気象変動を予測するように設計されている。 Re-MiMa(地域MiMaのショート)は、観測ステーションのない地域でも、地域全体で高い精度の予測を行うことができる。 実験の結果、MiMaは現在のモデルよりも大幅に優れており、Re-MiMaは未掘削場所の正確な短期予測を提供しており、天気予報の精度と適用性が著しく向上していることが示された。

関連論文リスト

• WeatherFormer: A Pretrained Encoder Model for Learning Robust Weather Representations from Small Datasets [0.5735035463793009]
  WeatherFormerは、最小限の観測から堅牢な気象特徴を学習するために設計されたトランスフォーマーエンコーダベースのモデルである。 ウェザーホルマーは、アメリカ大陸の39年間の衛星観測による大規模な事前訓練データセットで事前訓練された。
  論文  参考訳（メタデータ） (2024-05-22T17:43:46Z)
• CaFA: Global Weather Forecasting with Factorized Attention on Sphere [7.687215328455751]
  本稿では, この問題を緩和するために, 球面測地に適した因子化アテンションモデルを提案する。 提案モデルの1.5円および0-7日のリードタイムにおける決定論的予測精度は、最先端のデータ駆動型機械学習天気予報モデルと同等である。
  論文  参考訳（メタデータ） (2024-05-12T23:18:14Z)
• 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)
• 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)
• Advancing Parsimonious Deep Learning Weather Prediction using the HEALPix Mesh [3.2785715577154595]
  110kmのメッシュ上で最大1年間のリードタイムで,3時間分解能を持つ7つの大気変数の予測を行うため,同種の深層学習天気予報モデルを提案する。 Pangu-WeatherやGraphCastのような最先端の機械学習(SOTA)天気予報モデルと比較して、我々のDLWP-HPXモデルは粗い分解能と予測変数がはるかに少ない。
  論文  参考訳（メタデータ） (2023-09-11T16:25:48Z)
• Interpolation of mountain weather forecasts by machine learning [0.0]
  本稿では,山間部における将来の気象を機械学習で補間する手法を提案する。 本研究は,日本の山岳地域に着目し,主に光GBMを機械学習モデルとして,気温と降水量の予測を行う。
  論文  参考訳（メタデータ） (2023-08-27T01:32:23Z)
• Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
  深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。 MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。 MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
  論文  参考訳（メタデータ） (2023-06-06T07:07:54Z)
• ClimaX: A foundation model for weather and climate [51.208269971019504]
  ClimaXは気象と気候科学のディープラーニングモデルである。 気候データセットの自己教師型学習目標で事前トレーニングすることができる。 気候や気候の様々な問題に対処するために、微調整が可能である。
  論文  参考訳（メタデータ） (2023-01-24T23:19:01Z)
• 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)
• 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)
• Smart Weather Forecasting Using Machine Learning:A Case Study in Tennessee [2.9477900773805032]
  本稿では,複数の気象観測所の過去のデータを利用して,シンプルな機械学習モデルを訓練する天気予報手法を提案する。 モデルの精度は、現在の最先端技術と併用するのに十分である。
  論文  参考訳（メタデータ） (2020-08-25T02:41:32Z)

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。