論文の概要: Uncertainties of Satellite-based Essential Climate Variables from Deep Learning
- arxiv url: http://arxiv.org/abs/2412.17506v1
- Date: Mon, 23 Dec 2024 12:05:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-24 15:56:00.581734
- Title: Uncertainties of Satellite-based Essential Climate Variables from Deep Learning
- Title（参考訳）: 深層学習による衛星による本質的気候変動の不確実性
- Authors: Junyang Gou, Arnt-Børre Salberg, Mostafa Kiani Shahvandi, Mohammad J. Tourian, Ulrich Meyer, Eva Boergens, Anders U. Waldeland, Isabella Velicogna, Fredrik Dahl, Adrian Jäggi, Konrad Schindler, Benedikt Soja,
- Abstract要約: 本調査では,深層学習から推定される本質的気候変数(ECV)に関連する不確実性の種類とその定量化手法について検討した。
その焦点は、気候データの動的かつ多面的な性質を考慮して、ECV推定における固有の不確かさの定量化の重要性を強調することである。
- 参考スコア（独自算出の注目度）: 10.804264810132658
- License:
- Abstract: Accurate uncertainty information associated with essential climate variables (ECVs) is crucial for reliable climate modeling and understanding the spatiotemporal evolution of the Earth system. In recent years, geoscience and climate scientists have benefited from rapid progress in deep learning to advance the estimation of ECV products with improved accuracy. However, the quantification of uncertainties associated with the output of such deep learning models has yet to be thoroughly adopted. This survey explores the types of uncertainties associated with ECVs estimated from deep learning and the techniques to quantify them. The focus is on highlighting the importance of quantifying uncertainties inherent in ECV estimates, considering the dynamic and multifaceted nature of climate data. The survey starts by clarifying the definition of aleatoric and epistemic uncertainties and their roles in a typical satellite observation processing workflow, followed by bridging the gap between conventional statistical and deep learning views on uncertainties. Then, we comprehensively review the existing techniques for quantifying uncertainties associated with deep learning algorithms, focusing on their application in ECV studies. The specific need for modification to fit the requirements from both the Earth observation side and the deep learning side in such interdisciplinary tasks is discussed. Finally, we demonstrate our findings with two ECV examples, snow cover and terrestrial water storage, and provide our perspectives for future research.
- Abstract（参考訳）: 重要な気候変数(ECV)に関連する正確な不確実性情報は、地球系の時空間進化の信頼性の高い気候モデリングと理解に不可欠である。
近年、地球科学と気候科学者は、深層学習の急速な進歩の恩恵を受け、ECV製品の推定を精度良く進めている。
しかし、そのような深層学習モデルの出力に関連する不確実性の定量化は、まだ完全には採用されていない。
本調査では,深層学習から推定されるECVに関する不確実性の種類とその定量化手法について検討する。
その焦点は、気候データのダイナミックで多面的な性質を考慮して、ECVの推定に固有の不確実性を定量化することの重要性を強調することである。
この調査は、典型的な衛星観測処理ワークフローにおけるアレタリック・エピステマティック・不確実性の定義とそれらの役割を明確にすることから始まり、続いて、不確実性に関する従来の統計的・深層学習の見解のギャップを埋める。
そこで我々は,深層学習アルゴリズムに関連する不確実性を定量化するための既存の手法を概観的にレビューし,ECV研究におけるその応用に焦点を当てた。
本稿では,地球観測側と深層学習側の両方の要件に適合する修正の必要性について論じる。
最後に,2つのECV例,積雪と地球規模の貯水量について検討し,今後の研究の展望について述べる。
関連論文リスト
- Quantifying uncertainty in climate projections with conformal ensembles [0.0]
コンフォーマルアンサンブル(Conformal ensembling)は、予測の不確実性を低減するためのコンフォーマル推論に基づく、気候予測の不確実性定量化の新しいアプローチである。
これは、任意のアンサンブル解析法を用いて、任意の気候変数に適用することができる。
実験により, 過去の分析データに将来の予測を条件付ける場合, 有効であることが示唆された。
論文 参考訳（メタデータ） (2024-08-13T05:23:55Z) - Uncertainty Aware Tropical Cyclone Wind Speed Estimation from Satellite Data [1.4431283765171916]
深部ニューラルネットワーク(DNN)は、地球観測(EO)データに適用され、新しい研究の道を開いた。
本研究は, 熱帯低気圧衛星画像の風速推定に応用したDNNの不確実性定量法に関する理論的, 定量的比較を行った。
その結果, 予測不確実性を利用して精度を向上し, 各種手法の予測不確実性を分析することができた。
論文 参考訳（メタデータ） (2024-04-12T08:35:38Z) - Uncertainty Quantification for Forward and Inverse Problems of PDEs via
Latent Global Evolution [110.99891169486366]
本稿では,効率的かつ高精度な不確実性定量化を深層学習に基づく代理モデルに統合する手法を提案する。
本手法は,フォワード問題と逆問題の両方に対して,堅牢かつ効率的な不確実性定量化機能を備えたディープラーニングに基づく代理モデルを提案する。
提案手法は, 長期予測を含むシナリオに適合し, 拡張された自己回帰ロールアウトに対する不確かさの伝播に優れる。
論文 参考訳（メタデータ） (2024-02-13T11:22:59Z) - Evidential Deep Learning: Enhancing Predictive Uncertainty Estimation
for Earth System Science Applications [0.32302664881848275]
エビデンシャル・ディープ・ラーニング(Evidential Deep Learning)は、パラメトリック・ディープ・ラーニングを高次分布に拡張する手法である。
本研究では,明らかなニューラルネットワークから得られる不確実性とアンサンブルから得られる不確実性を比較する。
本研究では,従来の手法に匹敵する予測精度を実現するとともに,両方の不確実性源をしっかりと定量化しながら,明らかな深層学習モデルを示す。
論文 参考訳（メタデータ） (2023-09-22T23:04:51Z) - Deep Ensembles to Improve Uncertainty Quantification of Statistical
Downscaling Models under Climate Change Conditions [0.0]
統計的ダウンスケーリングモデルの不確実性定量化を改善するための簡単な方法としてディープアンサンブルを提案する。
ディープアンサンブルはより優れたリスク評価を可能にし、気候変動に対処するためのセクターのアプリケーションによって非常に要求される。
論文 参考訳（メタデータ） (2023-04-27T19:53:18Z) - The Unreasonable Effectiveness of Deep Evidential Regression [72.30888739450343]
不確実性を考慮した回帰ベースニューラルネットワーク(NN)による新しいアプローチは、従来の決定論的手法や典型的なベイズ的NNよりも有望であることを示している。
我々は、理論的欠点を詳述し、合成および実世界のデータセットのパフォーマンスを分析し、Deep Evidential Regressionが正確な不確実性ではなく定量化であることを示す。
論文 参考訳（メタデータ） (2022-05-20T10:10:32Z) - Scalable Sensitivity and Uncertainty Analysis for Causal-Effect
Estimates of Continuous-Valued Interventions [34.19821413853115]
観測データから継続的に評価された介入の効果を推定することは、気候科学、医療、経済学などの分野において極めて重要である。
我々は, 連続処理効果限界感度モデル(CMSM)を開発し, 観測データと研究者が定義した隠れ共役レベルの両方に適合する境界を導出する。
本研究では,これらの境界を高次元・大局的な観測データに対して効率的に推定するために,境界と不確実性を考慮した深部モデルを導出するスケーラブルなアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-04-21T11:15:10Z) - Uncertainty in Data-Driven Kalman Filtering for Partially Known
State-Space Models [84.18625250574853]
本稿では,ハイブリッドモデルに基づくディープステートトラッキングアルゴリズムであるKalmanNetを用いて,不確実性の評価を行う。
誤差共分散行列は内部特性に基づいて不確実性の測定値として計算可能であることを示す。
システムダイナミクスが分かっている場合、KalmanNetは統計情報にアクセスせずにデータからマッピングを学習し、Kalmanフィルタに類似した不確実性を示す。
論文 参考訳（メタデータ） (2021-10-10T08:52:18Z) - Temporal Difference Uncertainties as a Signal for Exploration [76.6341354269013]
強化学習における探索の効果的なアプローチは、最適な政策に対するエージェントの不確実性に依存することである。
本稿では,評価値のバイアスや時間的に矛盾する点を強調した。
本稿では,時間差誤差の分布の導出に依存する値関数の不確かさを推定する手法を提案する。
論文 参考訳（メタデータ） (2020-10-05T18:11:22Z) - On the uncertainty of self-supervised monocular depth estimation [52.13311094743952]
単眼深度推定のための自己監督的パラダイムは、基礎的な真理アノテーションを全く必要としないため、非常に魅力的である。
我々は,このタスクの不確かさを推定する方法と,これが深さ精度にどのように影響するかを初めて検討する。
自己教師型アプローチに特化して設計された,斬新な手法を提案する。
論文 参考訳（メタデータ） (2020-05-13T09:00:55Z) - Uncertainty Quantification for Deep Context-Aware Mobile Activity
Recognition and Unknown Context Discovery [85.36948722680822]
我々はα-βネットワークと呼ばれる深層モデルのコンテキスト認識混合を開発する。
高レベルの文脈を識別することで、精度とFスコアを10%向上させる。
トレーニングの安定性を確保するために、公開データセットと社内データセットの両方でクラスタリングベースの事前トレーニングを使用しました。
論文 参考訳（メタデータ） (2020-03-03T19:35:34Z)
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。