論文の概要: Uncertainty Quantification of Wind Gust Predictions in the Northeast US: An Evidential Neural Network and Explainable Artificial Intelligence Approach

• arxiv url: http://arxiv.org/abs/2502.00300v1
• Date: Sat, 01 Feb 2025 03:50:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-05 15:02:06.581042
• Title: Uncertainty Quantification of Wind Gust Predictions in the Northeast US: An Evidential Neural Network and Explainable Artificial Intelligence Approach
• Title（参考訳）: 米国北東部における風向予測の不確かさの定量化:証拠ニューラルネットワークと説明可能な人工知能アプローチ
• Authors: Israt Jahan, John S. Schreck, David John Gagne, Charlie Becker, Marina Astitha,
• Abstract要約: 不確実性定量化(UQ)は、予測が信頼できるか、慎重な解釈を必要とするかを識別する。 ガスト予測におけるUQの新しいアプローチとして、顕在性ニューラルネットワーク(ENN)を導入する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Machine learning has shown promise in reducing bias in numerical weather model predictions of wind gusts. Yet, they underperform to predict high gusts even with additional observations due to the right-skewed distribution of gusts. Uncertainty quantification (UQ) addresses this by identifying when predictions are reliable or needs cautious interpretation. Using data from 61 extratropical storms in the Northeastern USA, we introduce evidential neural network (ENN) as a novel approach for UQ in gust predictions, leveraging atmospheric variables from the Weather Research and Forecasting (WRF) model as features and gust observations as targets. Explainable artificial intelligence (XAI) techniques demonstrated that key predictive features also contributed to higher uncertainty. Estimated uncertainty correlated with storm intensity and spatial gust gradients. ENN allowed constructing gust prediction intervals without requiring an ensemble. From an operational perspective, providing gust forecasts with quantified uncertainty enhances stakeholders' confidence in risk assessment and response planning for extreme gust events.
• Abstract（参考訳）: 機械学習は、風洞の数値気象モデル予測においてバイアスを減らすことを約束している。 しかし、それらは、右に曲がったガスの分布のために、さらなる観測を行っても、高いガストを予測するには不適当である。 不確実性定量化(英: Uncertainty Quantification、UQ)は、予測がいつ信頼できるか、または慎重に解釈する必要があるかを特定することでこの問題に対処する。 米国北東部の61の熱帯低気圧から得られたデータを用いて、気象調査・予報(WRF)モデルから得られる大気変数を目標とする、ガスト予測におけるUQの新しいアプローチとして、顕在性ニューラルネットワーク(ENN)を導入する。 説明可能な人工知能(XAI)技術は、重要な予測的特徴がより高い不確実性に寄与することを示した。 推定不確実性は、嵐強度と空間ガスト勾配と相関する。 ENNはアンサンブルを必要とせずにガスト予測間隔を構築することができる。 運用の観点からは、定量的不確実性のあるガスト予測を提供することは、極端なガスト事象に対するリスク評価と対応計画に対するステークホルダーの信頼を高める。

関連論文リスト

• Evidential Deep Learning for Probabilistic Modelling of Extreme Storm Events [4.2623421577291225]
  Evidential Deep Learning(EDL)は、その予測に対する信頼性を提供するために設計された、不確実性を認識したディープラーニングアプローチである。 EDLは計算オーバーヘッドを減らすだけでなく、予測の不確実性を高める。 この手法は、気候リスク評価などの研究分野における新たな機会を開拓する。
  論文  参考訳（メタデータ） (2024-12-18T17:03:19Z)
• FengWu-W2S: A deep learning model for seamless weather-to-subseasonal forecast of global atmosphere [53.22497376154084]
  本研究では,FengWuグローバル気象予報モデルに基づくFengWu-Weather to Subseasonal (FengWu-W2S)を提案する。 我々は,FengWu-W2Sが大気環境を3～6週間先まで確実に予測し,マデン・ジュリア振動 (MJO) や北大西洋振動 (NAO) などの地球表面温度, 降水量, 地磁気高度, 季節内信号の予測能力を向上させることを実証した。 日時から季節時の予測誤差成長に関するアブレーション実験
  論文  参考訳（メタデータ） (2024-11-15T13:44:37Z)
• TriQXNet: Forecasting Dst Index from Solar Wind Data Using an Interpretable Parallel Classical-Quantum Framework with Uncertainty Quantification [2.1940162009107382]
  地磁気嵐はGPS、衛星通信、電力網などの重要なインフラを破壊する可能性がある。 本研究は、Dst予測のためのハイブリッド古典量子ニューラルネットワークであるTriQXNetを紹介する。 我々のモデルは、古典的および量子コンピューティング、共形予測、およびハイブリッドアーキテクチャ内に説明可能なAI(XAI)を統合する。
  論文  参考訳（メタデータ） (2024-07-09T08:30:42Z)
• 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)
• Tipping Point Forecasting in Non-Stationary Dynamics on Function Spaces [78.08947381962658]
  タップポイントは急激で、急激で、しばしば非定常力学系の進化における不可逆的な変化である。 我々は、関数空間間のマッピングを学習する新しいリカレントニューラル演算子(RNO)を用いて、そのような非定常系の進化を学習する。 本稿では,物理制約から逸脱をモニタリングすることで,チップ点の予測を行う共形予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-17T05:42:27Z)
• SEEDS: Emulation of Weather Forecast Ensembles with Diffusion Models [13.331224394143117]
  不確かさの定量化は意思決定に不可欠である。 天気予報の不確実性を表す主要なアプローチは、予測の集合を生成することです。 本稿では,これらの予測を歴史的データから学習した深部生成拡散モデルを用いてエミュレートし,計算コストを補正することを提案する。
  論文  参考訳（メタデータ） (2023-06-24T22:00:06Z)
• Pedestrian Trajectory Forecasting Using Deep Ensembles Under Sensing Uncertainty [125.41260574344933]
  エンコーダ・デコーダをベースとした深層アンサンブルネットワークは,認識と予測の不確実性の両方を同時に捕捉する。 全体として、深層アンサンブルはより堅牢な予測を提供し、上流の不確実性の考慮により、モデルの推定精度をさらに高めた。
  論文  参考訳（メタデータ） (2023-05-26T04:27:48Z)
• Bayesian neural networks for the probabilistic forecasting of wind direction and speed using ocean data [0.0]
  風速と方向の予測にはベイズニューラルネットワーク(BNN)を用いる。 我々のデータセットでは、北海のFINO1研究プラットフォームで記録された観測を用いています。 我々は,我々のネットワークによる風速と方向予測の精度と不確実性は,近隣のAlpha Ventus風力発電所の建設の影響を受けないことを結論した。
  論文  参考訳（メタデータ） (2022-06-14T15:57:14Z)
• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)
• Robust Probabilistic Time Series Forecasting [20.235389891676512]
  本稿では,頑健な確率的時系列予測のためのフレームワークを提案する。 逆入力摂動の概念を一般化し、境界ワッサーシュタイン偏差の項でロバストネスの概念を定式化する。 本手法は,加法的対向攻撃による予測品質の向上と雑音観測の補足による予測整合性向上に実証的に有効である。
  論文  参考訳（メタデータ） (2022-02-24T05:46:26Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)

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。