論文の概要: Analogue Forecast System for Daily Precipitation Prediction Using Autoencoder Feature Extraction: Application in Hong Kong

• arxiv url: http://arxiv.org/abs/2501.02814v1
• Date: Mon, 06 Jan 2025 07:26:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-07 17:05:41.101460
• Title: Analogue Forecast System for Daily Precipitation Prediction Using Autoencoder Feature Extraction: Application in Hong Kong
• Title（参考訳）: オートエンコーダの特徴抽出による日降予測のための対話予測システム:香港での応用
• Authors: Yee Chun Tsoi, Yu Ting Kwok, Ming Chun Lam, Wai Kin Wong,
• Abstract要約: 深層学習方式のオートエンコーダを用いて拡張AFSを開発した。 ECMWFリアナリシス(ERA5)の第5世代のデータセットが利用される。 強化されたAFSは、既存のAFSよりも一貫性があり、優れた性能を示している。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: In the Hong Kong Observatory, the Analogue Forecast System (AFS) for precipitation has been providing useful reference in predicting possible daily rainfall scenarios for the next 9 days, by identifying historical cases with similar weather patterns to the latest output from the deterministic model of the European Centre for Medium-Range Weather Forecasts (ECMWF). Recent advances in machine learning allow more sophisticated models to be trained using historical data and the patterns of high-impact weather events to be represented more effectively. As such, an enhanced AFS has been developed using the deep learning technique autoencoder. The datasets of the fifth generation of the ECMWF Reanalysis (ERA5) are utilised where more meteorological elements in higher horizontal, vertical and temporal resolutions are available as compared to the previous ECMWF reanalysis products used in the existing AFS. The enhanced AFS features four major steps in generating the daily rain class forecasts: (1) preprocessing of gridded ERA5 and ECMWF model forecast, (2) feature extraction by the pretrained autoencoder, (3) application of optimised feature weightings based on historical cases, and (4) calculation of the final rain class from a weighted ensemble of top analogues. The enhanced AFS demonstrates a consistent and superior performance over the existing AFS, especially in capturing heavy rain cases, during the verification period from 2019 to 2022. This paper presents the detailed formulation of the enhanced AFS and discusses its advantages and limitations in supporting precipitation forecasting in Hong Kong.
• Abstract（参考訳）: 香港天文台では、降水予測システム(AFS)が、欧州中帯気象予報センター(ECMWF)の決定論的モデルによる最新の結果と類似した気象パターンの歴史的事例を識別することにより、今後9日間の降雨シナリオの予測に有用である。 機械学習の最近の進歩により、より洗練されたモデルが歴史的データを使って訓練され、高影響の気象事象のパターンがより効果的に表現されるようになる。 このように、深層学習技術オートエンコーダを用いて拡張AFSを開発した。 第5世代ECMWFリアナリシス(ERA5)のデータセットは、既存のAFSで使用されている以前のECMWFリアナリシス製品と比較して、より高い水平、垂直、時間分解能の気象学的要素が利用可能である。 AFSは,(1)格子状ERA5およびECMWFモデル予測の事前処理,(2)事前訓練オートエンコーダによる特徴抽出,(3)歴史的事例に基づく最適化特徴重み付けの適用,(4)上部アナログの重み付けアンサンブルからの最終雨級計算の4段階を特徴としている。 強化されたAFSは、2019年から2022年までの検証期間において、既存のAFSよりも一貫性があり、優れたパフォーマンスを示している。 本稿では,高度化AFSの詳細な定式化と,香港における降水予測支援のメリットと限界について論じる。

関連論文リスト

• ADAF: An Artificial Intelligence Data Assimilation Framework for Weather Forecasting [8.48006222985557]
  本稿では,人工知能に基づくデータ同化フレームワーク(ADAF)を導入し,高品質なキロスケール分析を実現する。 大陸性米国(CONUS)の4つの準曲面変数に対してADAFを実装した。 その結果,ADAFは高分解能高速リフレッシュデータ同化システム(HRRRDAS)を16%から33%の精度で超えた。
  論文  参考訳（メタデータ） (2024-11-25T14:46:17Z)
• Data-driven rainfall prediction at a regional scale: a case study with Ghana [4.028179670997471]
  最先端の数値天気予報(NWP)モデルは、アフリカの熱帯地域で熟練した降雨予測を作成するのに苦労している。 2つのU-Net畳み込みニューラルネットワーク(CNN)モデルを開発し、12時間と30時間リード時の24時間降雨を予測する。 また,従来のNWPモデルとデータ駆動モデルを組み合わせることにより,予測精度が向上することがわかった。
  論文  参考訳（メタデータ） (2024-10-17T22:07:53Z)
• A Benchmark for AI-based Weather Data Assimilation [10.100157158477145]
  本研究では,シミュレーション観測,実世界観測,ERA5再解析により構築したベンチマークであるDABenchを提案する。 実験の結果,4DVarFormerV2とSformerを統合したエンド・ツー・エンドの天気予報システムが実世界の観測を同化できることが確認された。 提案されているDABenchは、AIベースのDA、AIベースの天気予報、および関連するドメインの研究を大幅に前進させる。
  論文  参考訳（メタデータ） (2024-08-21T08:50:19Z)
• Towards an end-to-end artificial intelligence driven global weather forecasting system [57.5191940978886]
  我々は,地球規模の気象変動に対するAIに基づくデータ同化モデル,すなわちAdasを提案する。 我々は,アダスが地球観測を同化して高品質な分析を行い,長期にわたって安定して運用できることを実証した。 この手法を現実のシナリオに適用するのは,私たちが初めてです。
  論文  参考訳（メタデータ） (2023-12-18T09:05:28Z)
• FengWu-4DVar: Coupling the Data-driven Weather Forecasting Model with 4D Variational Assimilation [67.20588721130623]
  我々は,AIを用いた循環型天気予報システムFengWu-4DVarを開発した。 FengWu-4DVarは観測データをデータ駆動の天気予報モデルに組み込むことができる。 シミュレーションされた観測データセットの実験は、FengWu-4DVarが合理的な解析場を生成することができることを示した。
  論文  参考訳（メタデータ） (2023-12-16T02:07:56Z)
• FuXi-S2S: A machine learning model that outperforms conventional global subseasonal forecast models [13.852128658186876]
  FuXi Subseasonal-to-Seasonal (FuXi-S2S)は、グローバルな日平均予測を最大42日間提供する機械学習モデルである。 ECMWF ERA5の再分析データから72年間の日次統計をトレーニングしたFuXi-S2Sは、ECMWFの最先端のサブシーズン・ツー・シーソンモデルを上回っている。
  論文  参考訳（メタデータ） (2023-12-15T16:31:44Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• W-MAE: Pre-trained weather model with masked autoencoder for multi-variable weather forecasting [7.610811907813171]
  天気予報のための事前学習を行うMasked AutoEncoderを用いた気象モデルを提案する。 W-MAEは、気象変数内の空間的相関を再構成するために、自己教師付きで事前訓練される。 時間スケールでは、事前訓練されたW-MAEを微調整し、気象変数の将来状態を予測する。
  論文  参考訳（メタデータ） (2023-04-18T06:25:11Z)
• 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)
• Forecasting large-scale circulation regimes using deformable convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
  変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討 今後1～15日にわたって北大西洋-欧州の気象条件を予測した。 より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
  論文  参考訳（メタデータ） (2022-02-10T11:37:00Z)
• 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。