論文の概要: Continuous latent representations for modeling precipitation with deep learning
- arxiv url: http://arxiv.org/abs/2412.14620v1
- Date: Thu, 19 Dec 2024 08:13:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-20 13:30:32.532742
- Title: Continuous latent representations for modeling precipitation with deep learning
- Title(参考訳): 深層学習による降水モデリングのための連続潜水表現
- Authors: Gokul Radhakrishnan, Rahul Sundar, Nishant Parashar, Antoine Blanchard, Daiwei Wang, Boyko Dodov,
- Abstract要約: シミュレーション降水データのプロキシとして,スムーズで時間的に連続的な変数を生成するためにディープラーニングをどのように利用できるかを検討する。
我々は,不連続降水シミュレーションの代替として,擬似降水(PP)と呼ばれる通常分布のフィールドを開発する。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: The sparse and spatio-temporally discontinuous nature of precipitation data presents significant challenges for simulation and statistical processing for bias correction and downscaling. These include incorrect representation of intermittency and extreme values (critical for hydrology applications), Gibbs phenomenon upon regridding, and lack of fine scales details. To address these challenges, a common approach is to transform the precipitation variable nonlinearly into one that is more malleable. In this work, we explore how deep learning can be used to generate a smooth, spatio-temporally continuous variable as a proxy for simulation of precipitation data. We develop a normally distributed field called pseudo-precipitation (PP) as an alternative for simulating precipitation. The practical applicability of this variable is investigated by applying it for downscaling precipitation from \(1\degree\) (\(\sim\) 100 km) to \(0.25\degree\) (\(\sim\) 25 km).
- Abstract(参考訳): 降水データのスパースおよび時空間的不連続性は, バイアス補正とダウンスケーリングのシミュレーションおよび統計処理において重要な課題を呈している。
これには、断続性や極端な値の誤った表現(水文学の応用に欠かせない)、降着時のギブズ現象、細かなスケールの詳細の欠如が含まれる。
これらの課題に対処するため、一般的なアプローチは、降水変数をより順応可能なものに変換することである。
本研究では,降水データシミュレーションのプロキシとして,スムーズな時空間連続変数を生成するためにディープラーニングをどのように利用できるかを検討する。
我々は,降水シミュレーションの代替として,擬似降水(PP)と呼ばれる通常分布のフィールドを開発する。
この変数の実用性は, 1 度 (\(\sim) 100 km) から \(0.25\degree\) (\(\sim) 25 km) までの降水に応用して検討した。
関連論文リスト
- Causal Representation Learning in Temporal Data via Single-Parent Decoding [66.34294989334728]
科学的研究はしばしば、システム内の高レベル変数の根底にある因果構造を理解しようとする。
科学者は通常、地理的に分布した温度測定などの低レベルの測定を収集する。
そこで本研究では,単一親の復号化による因果発見法を提案し,その上で下位の潜伏者と因果グラフを同時に学習する。
論文 参考訳(メタデータ) (2024-10-09T15:57:50Z) - A probabilistic framework for learning non-intrusive corrections to long-time climate simulations from short-time training data [12.566163525039558]
本稿では,カオスシステムの非侵襲的に解けない長期シミュレーションにニューラルネットワークモデルをトレーニングするための戦略を提案する。
トレーニングで見られるデータより30倍以上長い時間的地平線上での異方性統計を正確に予測する能力を示す。
論文 参考訳(メタデータ) (2024-08-02T18:34:30Z) - Downscaling Extreme Rainfall Using Physical-Statistical Generative
Adversarial Learning [0.0]
我々は,降雨の詳細な空間的詳細を学習するために,物理と統計を生成フレームワークに組み込んだデータ駆動型ダウンスケーリング(スーパーレゾリューション)手法を開発した。
本手法は, 粗解(0.25円×0.25円)の気候モデルを高分解能(0.01円×0.01円)の降雨場に変換し, 不確実性を効果的に定量化する。
論文 参考訳(メタデータ) (2022-12-02T21:04:32Z) - ManiFlow: Implicitly Representing Manifolds with Normalizing Flows [145.9820993054072]
正規化フロー(NF)は、複雑な実世界のデータ分布を正確にモデル化することが示されているフレキシブルな明示的な生成モデルである。
摂動分布から標本を与えられた多様体上の最も可能性の高い点を復元する最適化目的を提案する。
最後に、NFsの明示的な性質、すなわち、ログのような勾配とログのような勾配から抽出された表面正規化を利用する3次元点雲に焦点を当てる。
論文 参考訳(メタデータ) (2022-08-18T16:07:59Z) - A DNN Framework for Learning Lagrangian Drift With Uncertainty [0.5541644538483949]
ラグランジュの漂流の復元、例えば海で失われた物体は、しばしばデータの中で未解決の物理的現象のために不確実である。
フレキシブルな環境で確率的ドリフトをモデル化するための、純粋にデータ駆動のフレームワークを提案する。
論文 参考訳(メタデータ) (2022-04-12T15:36:21Z) - Extension of Dynamic Mode Decomposition for dynamic systems with
incomplete information based on t-model of optimal prediction [69.81996031777717]
動的モード分解は、動的データを研究するための非常に効率的な手法であることが証明された。
このアプローチの適用は、利用可能なデータが不完全である場合に問題となる。
本稿では,森-Zwanzig分解の1次近似を考察し,対応する最適化問題を記述し,勾配に基づく最適化法を用いて解く。
論文 参考訳(メタデータ) (2022-02-23T11:23:59Z) - Likelihood-Free Inference in State-Space Models with Unknown Dynamics [71.94716503075645]
本研究では、状態空間モデルにおいて、観測をシミュレートすることしかできず、遷移ダイナミクスが不明な潜在状態の推測と予測を行う手法を提案する。
本研究では,限られた数のシミュレーションで状態予測と状態予測を行う手法を提案する。
論文 参考訳(メタデータ) (2021-11-02T12:33:42Z) - Capabilities of Deep Learning Models on Learning Physical Relationships:
Case of Rainfall-Runoff Modeling with LSTM [0.0]
本研究では,深層学習手法が入力データと出力データとを識別できる関係について検討する。
日中降水量と平均空気温度をモデル入力として, 日中流量を推定した。
本研究では,入力変数と対象変数との明示的な物理的関係を,深層学習では適切に学習できないことを示す。
論文 参考訳(メタデータ) (2021-06-15T08:36:16Z) - Semi-Supervised Video Deraining with Dynamic Rain Generator [59.71640025072209]
本稿では,降雨層に適合する動的降雨発生器を用いた半教師付きビデオデレーシング手法を提案する。
具体的には、1つのエミッションモデルと1つのトランジションモデルから成り、空間的物理的構造と時系列の雨の連続的な変化を同時にエンコードする。
ラベル付き合成およびラベルなしの実データのために、それらの基礎となる共通知識を十分に活用するために、様々な先行フォーマットが設計されている。
論文 参考訳(メタデータ) (2021-03-14T14:28:57Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳(メタデータ) (2021-02-12T12:23:13Z) - TRU-NET: A Deep Learning Approach to High Resolution Prediction of
Rainfall [21.399707529966474]
本稿では,連続的畳み込み再帰層間の新しい2次元クロスアテンション機構を特徴とするエンコーダデコーダモデルであるTRU-NETを提案する。
降雨のゼロ・スクイド・%極端事象パターンを捉えるために,条件付き連続損失関数を用いた。
実験の結果,短期降水予測ではDLモデルよりもRMSEとMAEのスコアが低いことがわかった。
論文 参考訳(メタデータ) (2020-08-20T17:27:59Z)
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。