論文の概要: Self-attentive Transformer for Fast and Accurate Postprocessing of Temperature and Wind Speed Forecasts
- arxiv url: http://arxiv.org/abs/2412.13957v1
- Date: Wed, 18 Dec 2024 15:37:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-19 16:47:32.834308
- Title: Self-attentive Transformer for Fast and Accurate Postprocessing of Temperature and Wind Speed Forecasts
- Title（参考訳）: 温度・風速予測の高速・高精度後処理のための自励式変圧器
- Authors: Aaron Van Poecke, Tobias Sebastian Finn, Ruoke Meng, Joris Van den Bergh, Geert Smet, Jonathan Demaeyer, Piet Termonia, Hossein Tabari, Peter Hellinckx,
- Abstract要約: 現在のポストプロセッシング技術は、リードタイムごとに別々のモデルを必要とし、アンサンブル間の関係を無視することが多い。
本研究では,各アンサンブルメンバーを個別に後処理する革新的で高速かつ高精度なトランスフォーマを用いて,これらの欠点に対処する。
本手法は, CRPSで測定したように, 風速2mで17.5%, 風速10mで5%近く, 風速100mで5.3%と, 当初の予測を大幅に改善する。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Current postprocessing techniques often require separate models for each lead time and disregard possible inter-ensemble relationships by either correcting each member separately or by employing distributional approaches. In this work, we tackle these shortcomings with an innovative, fast and accurate Transformer which postprocesses each ensemble member individually while allowing information exchange across variables, spatial dimensions and lead times by means of multi-headed self-attention. Weather foreacasts are postprocessed over 20 lead times simultaneously while including up to twelve meteorological predictors. We use the EUPPBench dataset for training which contains ensemble predictions from the European Center for Medium-range Weather Forecasts' integrated forecasting system alongside corresponding observations. The work presented here is the first to postprocess the ten and one hundred-meter wind speed forecasts within this benchmark dataset, while also correcting the two-meter temperature. Our approach significantly improves the original forecasts, as measured by the CRPS, with 17.5 % for two-meter temperature, nearly 5% for ten-meter wind speed and 5.3 % for one hundred-meter wind speed, outperforming a classical member-by-member approach employed as competitive benchmark. Furthermore, being up to 75 times faster, it fulfills the demand for rapid operational weather forecasts in various downstream applications, including renewable energy forecasting.
- Abstract（参考訳）: 現在のポストプロセッシング技術は、しばしばリードタイムごとに別々のモデルを必要とし、各メンバーを別々に修正するか、分布的なアプローチを採用することによって、アンサンブル間の関係を無視する。
本研究では,各アンサンブルメンバーを個別にポストプロセッシングし,変数,空間次元,リードタイム間の情報交換を多面的自己認識を用いて行う,革新的で高速かつ高精度なトランスフォーマを用いて,これらの欠点に対処する。
気象予報は20回以上同時に処理され、気象予報器は12個まで含まれる。
我々は、EUPPBenchデータセットを使用して、欧州中距離気象予報センターの統合予測システムからのアンサンブル予測を含むトレーニングを行う。
ここで提示された研究は、このベンチマークデータセットの中で10mと100mの風速予測を後処理し、2mの温度を補正する最初のものである。
提案手法はCRPSで測定したように,2メートルの温度で17.5 %,10メートルの風速で5%,100メートルの風速で5.3 %であり,従来のメンバ・バイ・メンバによる競争ベンチマークよりも優れていた。
さらに、最大75倍の速さで、再生可能エネルギー予測など、下流の様々なアプリケーションにおいて、迅速な運用天気予報の需要を満たす。
関連論文リスト
- An ensemble of data-driven weather prediction models for operational sub-seasonal forecasting [0.08106028186803123]
運用可能なマルチモデルアンサンブル天気予報システムを提案する。
データ駆動型天気予報モデルを用いたマルチモデルアンサンブル手法により、最先端のサブシーズン・シーズン・シーズン予測を実現することができる。
論文 参考訳（メタデータ） (2024-03-22T20:01:53Z) - 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) - Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。
我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。
我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-10-02T17:13:16Z) - FengWu: Pushing the Skillful Global Medium-range Weather Forecast beyond
10 Days Lead [93.67314652898547]
人工知能(AI)に基づく高度データ駆動型中距離気象予報システムFengWuについて紹介する。
FengWuは大気力学を正確に再現し、0.25度緯度で37の垂直レベルで将来の陸と大気の状態を予測することができる。
その結果、FengWuは予測能力を大幅に向上させ、熟練した中距離気象予報を10.75日間のリードまで拡張できることがわかった。
論文 参考訳（メタデータ） (2023-04-06T09:16:39Z) - A Deep Learning Method for Real-time Bias Correction of Wind Field
Forecasts in the Western North Pacific [24.287588853356972]
2020年12月から2021年11月までにECから10日間の風速予測のための実時間転動バイアス補正を行った。
風速と風向バイアスはそれぞれ8-11%,9-14%減少した。
論文 参考訳（メタデータ） (2022-12-29T02:58:12Z) - 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) - A two-step machine learning approach to statistical post-processing of
weather forecasts for power generation [0.0]
風と太陽のエネルギー源は非常に揮発性があり、グリッドオペレーターの計画が困難である。
本研究では、アンサンブル天気予報の校正のための2段階の機械学習に基づくアプローチを提案する。
論文 参考訳（メタデータ） (2022-07-15T16:38:14Z) - ENS-10: A Dataset For Post-Processing Ensemble Weather Forecast [12.812768685050898]
後処理アンサンブル予測システムは、特に極端な事象予測のために天気予報を改善することができる。
本報告では,1998-2017年に10人のアンサンブルメンバーからなるENS-10データセットについて述べる。
アンサンブルのメンバーは、地球のカオス的な振る舞いを捉えるために数値気象シミュレーションを摂動することによって生成される。
論文 参考訳（メタデータ） (2022-06-29T17:40:56Z) - Calibration of wind speed ensemble forecasts for power generation [0.0]
過去数十年間、風力発電は欧州連合で2番目に大きな電力供給源となり、電力需要の16%を占めた。
そのボラティリティのため、風力エネルギーを電気グリッドにうまく統合するには、正確な短距離風力予測が必要である。
生のアンサンブルと比較すると,ポストプロセッシングは常に確率的および精度の高い点予測のキャリブレーションを改善する。
論文 参考訳（メタデータ） (2021-04-30T11:18:03Z) - A generative adversarial network approach to (ensemble) weather
prediction [91.3755431537592]
本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。
提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
論文 参考訳（メタデータ） (2020-06-13T20:53:17Z)
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。