Fugu-MT 論文翻訳(概要): A Statistical Learning Approach to Mediterranean Cyclones

論文の概要: A Statistical Learning Approach to Mediterranean Cyclones

arxiv url: http://arxiv.org/abs/2501.15694v1
Date: Sun, 26 Jan 2025 22:46:11 GMT
ステータス: 翻訳完了
システム内更新日: 2025-01-28 13:54:20.649286
Title: A Statistical Learning Approach to Mediterranean Cyclones
Title（参考訳）: 地中海サイクロンの統計的学習
Authors: L. Roveri, L. Fery, L. Cavicchia, F. Grotto,
Abstract要約: ベイジアンアルゴリズムは風速データに基づいて地中海のサイクロンを分類できることを示す。教師付き統計学習技術を用いて新しいサイクロンを検出し,追跡する。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: Mediterranean cyclones are extreme meteorological events of which much less is known compared to their tropical, oceanic counterparts. The raising interest in such phenomena is due to their impact on a region increasingly more affected by climate change, but a precise characterization remains a non trivial task. In this work we showcase how a Bayesian algorithm (Latent Dirichlet Allocation) can classify Mediterranean cyclones relying on wind velocity data, leading to a drastic dimensional reduction that allows the use of supervised statistical learning techniques for detecting and tracking new cyclones.
Abstract（参考訳）: 地中海のサイクロンは極端に気象現象であり、熱帯の海洋のものと比べればほとんど知られていない。このような現象に対する関心の高まりは、気候変動の影響がますます強くなっている地域への影響によるものであるが、正確な特徴付けは依然として簡単ではない。本研究では,風速データに基づく地中海のサイクロンの分類をベイズアルゴリズム (Latent Dirichlet Allocation) で行う方法を紹介する。

関連論文リスト

MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
論文参考訳（メタデータ） (2024-08-20T13:45:49Z)
Southern Ocean Dynamics Under Climate Change: New Knowledge Through Physics-Guided Machine Learning [0.40964539027092917]
我々は、気候モデルから容易にアクセス可能なフィールドを用いて、動的レジームと呼ばれる類似の物理学によって特徴づけられる海の領域を同定する。我々は、ニューラルネットワークのアンサンブルを訓練し、不確実な定量化を可能にし、これらのレジームを予測し、気候変動の下でそれらを追跡する。南極圏の極性海流は、炭素の減少と漁業にとって重要な地域である太平洋-南極海リッジと交差している。
論文参考訳（メタデータ） (2023-10-21T06:13:19Z)
Improving extreme weather events detection with light-weight neural networks [0.0]
気候データから熱帯低気圧と大気河川のセマンティックセグメンテーションを訓練した軽量なコンテキストガイド畳み込みニューラルネットワークアーキテクチャを改良した。我々の主な焦点は熱帯のサイクロンであり、最も破壊的な気象現象であり、現在のモデルでは性能が限られている。
論文参考訳（メタデータ） (2023-03-31T23:38:54Z)
A Multi-Modal Machine Learning Approach to Detect Extreme Rainfall Events in Sicily [0.0]
2021年、年間降水量のほぼ半分にあたる300mmの雨が、カタニア(シチリア島)近くで降った。これは、2009年から2021年にかけて収集した高周波で大規模なデータセットを使用することで可能になった。使い易く、マルチモーダルなデータサイエンス技術は、ポリシー作成に大きな改善をもたらす可能性があると信じています。
論文参考訳（メタデータ） (2022-12-14T14:10:27Z)
Multi-scale Digital Twin: Developing a fast and physics-informed surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。 U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
論文参考訳（メタデータ） (2022-11-20T06:46:35Z)
A Multi-Scale Deep Learning Framework for Projecting Weather Extremes [3.3598755777055374]
気象の極端は社会と経済の大きな危険であり、数千人の命と毎年数十億ドルの損害を被っている。現在、気候予測の主要なツールである一般循環モデル(GCM)は、気象極端を正確に特徴づけることができない。本稿では,GCMの偏差を粗いスケールで観測することで,その出力の低次統計値とテール統計値とを一致させて補正する多分解能深層学習フレームワークを提案する。提案手法を用いて、観測的大気再分析を用いて補正された単純なGCMを用いて、西欧の気候の統計的に現実的な現実化を生成する。
論文参考訳（メタデータ） (2022-10-21T17:47:05Z)
Data-Driven Short-Term Daily Operational Sea Ice Regional Forecasting [52.77986479871782]
地球温暖化は北極を海洋活動に利用し、信頼性の高い海氷予測の需要を生み出した。本研究では,海氷予測のためのU-Netモデルの性能を,今後10日間にわたって検証した。この深層学習モデルは、気象データの追加と複数の地域での訓練により、単純なベースラインをかなりの差で上回り、その品質を向上させることができることを示す。
論文参考訳（メタデータ） (2022-10-17T09:14:35Z)
Learning-based estimation of in-situ wind speed from underwater acoustics [58.293528982012255]
水中音響から風速時系列を検索するための深層学習手法を提案する。我々のアプローチは、事前の物理知識と計算効率の両面から恩恵を受けるために、データ同化と学習ベースのフレームワークをブリッジする。
論文参考訳（メタデータ） (2022-08-18T15:27:40Z)
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)
T$^2$-Net: A Semi-supervised Deep Model for Turbulence Forecasting [65.498967509424]
空気の乱気流予測は、乗客の安全を保ち、効率を最大化し、コストを下げるガイドルートである有害な乱気流を避けるのに役立つ。従来の予測手法は、動的で複雑な気象条件では効果の低い、高度にカスタマイズされた乱流指数に依存している。本研究では,(1)複雑な時間的相関関係と(2)希少性,非常に限られた乱流ラベルが得られるという2つの課題から,機械学習による乱流予測システムを提案する。
論文参考訳（メタデータ） (2020-10-26T21:14:15Z)
Prediction of Bayesian Intervals for Tropical Storms [1.7132914341329848]
熱帯の嵐は深刻な被害をもたらす可能性があるため、その軌道を正確に予測することで、都市や生活に大きな利益をもたらす可能性がある。我々は改良手法を開発し、簡単な点推定に加えてベイズ区間の予測手法を一般化した。この結果は,ニューラルネットワークのドロップアウト値が予測と間隔にどのように影響するかを示す。
論文参考訳（メタデータ） (2020-03-10T22:31:58Z)

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。